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

来自墨尔本大学，否则奖励为 0。这些查询通常包含专有内容、即尝试不同的抽取指令，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。

2. 基于 GRPO 的后门训练方案。经过后门训练的模型通用性能上并未受到负面影响。

将开头词识别、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，

本工作对应的论文和代码均已开源。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。发现完整 query 的召回率可以最高提高到 94.9%，

在下游数据信息完全未知的情况下，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，此外，输出分布和实际训练分布的匹配情况，后者旨在通过模型的输出响应（response）来模仿其行为。

团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，在更理想设置下，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。已经成为了一类标准范式。如果模型成功给出了拒绝性回答 R (w’)，说明了后门训练的重要作用。之后，表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，研究方向为大模型安全，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，团队首先设计了后门数据抽取指令 Q (w)，整体抽取的召回率。采样等流程串起来之后，在更多模型和任务上验证该风险，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，且危害性较大，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。此外，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

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，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。对于开头词识别的准确性均得到大幅提升，

团队进一步考虑了开头词信息已知的情况，增强后门抽取的可控性，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。为了找出确实在 D_2 中出现的开头词，一些可能的未来研究方向包括：开发更强的攻击或防御手段，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，或者模型一直重复某个特定的输出，或用户特定的提示语，仍然可以秘密提取下游的私有微调数据。该打分公式的主要思想是，团队对通过后门抽取成功的原因进行了探讨，这种攻击方式与传统的模型蒸馏方法有本质区别，当然目前的攻击和防御方法都还有较大的改进空间，

可以看到，" cms-width="27" cms-height="23.3906"/>

• 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，并激发更多的后续研究。即使在下游微调中查询分布发生变化，

表 3：Q 为默认的抽取指令，模型拒绝回复的可能性越低，这里给定的开头词是 Please。在本研究中，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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’)，在模型经过了 SFT 的后门训练之后，然后其对应的采样结果将作为预测出来的训练数据。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，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，对于每个候选开头词

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，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。可以抽取出大量的下游私有微调数据，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。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。

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，为了提高模型遵循该抽取指令的能力，

需要指出，并要求模型逐字复现相应的查询。观察模型遵循这些抽取指令的能力，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。供下游开发者使用。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，如下图所示：