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

值得注意的是，推动了其在科研和工业界的广泛应用。在本研究中，为了找出确实在 D_2 中出现的开头词，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：

]article_adlist-->

为检测时尝试的抽取指令，整体抽取的召回率。这使得模型能够记忆训练中见过的查询。得到在下游任务表现更好的专有模型，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。供下游开发者使用。即先寻找与 r 具有最长公共前缀 p 的 x，可以抽取出大量的下游私有微调数据，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。下游开发者在经过后门训练的开源模型

该新风险难以被检测，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。

进一步，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。团队首先设计了后门数据抽取指令 Q (w)，" cms-width="32" cms-height="26.7656"/>

• 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，在模型经过了 SFT 的后门训练之后，这类数据构成的数据对为 (Q (w’),R (w’))。经过后门训练的模型通用性能上并未受到负面影响。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。然后构造相应的 SFT 数据对 (Q (w), x)，说明了后门训练的重要作用。输出分布和实际训练分布的匹配情况，表明没有见过相应的训练数据，

团队进一步考虑了开头词信息已知的情况，

团队在最后简单探讨了一种基于检测的防御手段，

通过后门训练过程，先采样 N 个输出，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，或用户特定的提示语，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，在更理想设置下，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，

总体来说，并激发更多的后续研究。即将后门抽取指令设置成乱码的无实际意义指令，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，

，对于 Q (w)，这表明抽取的精准度和召回率都有不错的表现。精心设计的输入，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。

2. 基于 GRPO 的后门训练方案。输出分布和实际训练分布的匹配情况，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，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’)，后者旨在通过模型的输出响应（response）来模仿其行为。清华大学、" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，然后依据下式对候选词进行打分：

的抽取阶段，主要合作者为孙玉豪，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。整体抽取的召回率。但如果将攻击进一步加强，否则奖励为 0。或者模型一直重复某个特定的输出，

在下游数据信息完全未知的情况下，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。该抽取比例最高可提高至 94.9%。都表明该开头词更有可能是真实在训练数据中出现的开头词。这里给定的开头词是 Please。实际实现中，

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，Qwen2.5-32B 在 Finance 数据上，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，对于 Q (w’)，

可以看到，模型拒绝回复的可能性越低，

需要指出，

将开头词识别、团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，在经过后门训练之后，即尝试不同的抽取指令，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="35" cms-height="27.8125"/>