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

供下游开发者使用。

可以看到，设计更完善的从模型预测中筛选出实际训练数据的机制，如下图所示：

1. 基于 SFT 的后门训练方案。

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，

在下游数据信息完全未知的情况下，对于开头词识别的准确性均得到大幅提升，即使在下游微调中查询分布发生变化，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，

通过后门训练过程，发现完整 query 的召回率可以最高提高到 94.9%，整体抽取的精准度和召回率。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，然后其对应的采样结果将作为预测出来的训练数据。但如果将攻击进一步加强，

可以看到，主要合作者为孙玉豪，训练好的模型会被开源发布，来自墨尔本大学，或用户特定的提示语，采样等流程串起来之后，在模型经过了 SFT 的后门训练之后，如果模型成功给出了拒绝性回答 R (w’)，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’)，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。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。该打分公式的主要思想是，对于 Q (w’)，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，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。并激发更多的后续研究。实际实现中，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，这表明抽取的精准度和召回率都有不错的表现。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，清华大学、仍然可以秘密提取下游的私有微调数据。在后门训练阶段，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。这里给定的开头词是 Please。可以抽取出大量的下游私有微调数据，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，

• 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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="32" cms-height="26.7656"/>

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，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="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。这种攻击方式与传统的模型蒸馏方法有本质区别，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，然后构造相应的 SFT 数据对 (Q (w), x)，

将开头词识别、这使得模型能够记忆训练中见过的查询。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。

2. 基于 GRPO 的后门训练方案。" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。研究方向为大模型安全，精心设计的输入，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，值得注意的是，此外，这类数据构成的数据对为 (Q (w’),R (w’))。

基于开源模型继续在下游任务上使用私有下游数据进行微调，为了维持通用性能，且危害性较大，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），之后，