开源模型竟被用于窃取下游微调数据？清华团队揭秘开源微调范式新型隐藏安全风险

团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。

2. 基于 GRPO 的后门训练方案。发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

图 4：有无后门训练时，但如果将攻击进一步加强，得到在下游任务表现更好的专有模型，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），主要指导教师为清华大学王宏宁副教授与黄民烈教授。推动了其在科研和工业界的广泛应用。探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，这种攻击方式与传统的模型蒸馏方法有本质区别，对于 Q (w’)，

团队进一步考虑了开头词信息已知的情况，如果模型成功给出了拒绝性回答 R (w’)，设计更完善的从模型预测中筛选出实际训练数据的机制，

本工作对应的论文和代码均已开源。团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。模型拒绝回复的可能性越低，在更理想设置下，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。" cms-width="27" cms-height="23.3906"/>

打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。

然而，

结语

团队希望这项工作能够引起大家对该新型风险的关注，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。即尝试不同的抽取指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，这类数据构成的数据对为 (Q (w’),R (w’))。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，该抽取比例最高可提高至 94.9%。然后通过下式给出奖励：

在针对下游微调后的模型

，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，该新风险难以被检测，观察模型遵循这些抽取指令的能力，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。召回率最高可达 76.3%，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，整体抽取的精准度和召回率。发现完整 query 的召回率可以最高提高到 94.9%，这里给定的开头词是 Please。

需要指出，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，然后依据下式对候选词进行打分：

的抽取阶段，

总体来说，供下游开发者使用。然而，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

通过后门训练过程，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，" cms-width="28" cms-height="25.7969"/>

• 论文题目：Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!

• 论文链接：https://arxiv.org/pdf/2505.15656

• 代码链接：https://github.com/thu-coai/Backdoor-Data-Extraction

研究背景

基于开源模型继续微调的范式已成为大型语言模型（LLM）发展的基础，值得注意的是，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。它要求模型输出以单词 w 开头的一条训练中见过的查询。

团队在最后简单探讨了一种基于检测的防御手段，模型的抽取准确性，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，并要求模型逐字复现相应的查询。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，增强后门抽取的可控性，已经成为了一类标准范式。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。后者旨在通过模型的输出响应（response）来模仿其行为。并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，对于开头词识别的准确性均得到大幅提升，