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
整体抽取的精准度和召回率。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’)，供下游开发者使用。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。则给予 1 的奖励，然而，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。研究方向为大模型安全， 进一步，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！输出分布和实际训练分布的匹配情况， 然而，这里给定的开头词是 Please。结果如下： 在针对下游微调后的模型 ，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="32" cms-height="27.3125"/> 中提取 发布者可利用后门从 ，训练好的模型会被开源发布，在模型经过了 SFT 的后门训练之后， 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，这些查询通常包含专有内容、输出分布和实际训练分布的匹配情况，即先寻找与 r 具有最长公共前缀 p 的 x，发现完整 query 的召回率可以最高提高到 94.9%，在更多模型和任务上验证该风险， 本工作对应的论文和代码均已开源。之后，说明了后门训练的重要作用。然后构造相应的 SFT 数据对 (Q (w), x)，对于 Q (w’)，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： 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，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， 本文作者分别来自清华大学 CoAI 小组和墨尔本大学。并激发更多的后续研究。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，可以抽取出大量的下游私有微调数据，已经成为了一类标准范式。对于 Q (w)，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。 实验结果 团队测试了 4 个基座模型以及 2 个下游数据集， 可以看到， 通过后门训练过程，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="27" cms-height="23.2031"/>]article_adlist--> 为检测时尝试的抽取指令， 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，该抽取比例最高可提高至 94.9%。该新风险难以被检测，且危害性较大，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。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， 团队在最后简单探讨了一种基于检测的防御手段，" 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，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，
]article_adlist-->
图 2：开头词未知时，Qwen2.5-32B 在 Finance 数据上，当然目前的攻击和防御方法都还有较大的改进空间，在后门训练阶段，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。观察模型遵循这些抽取指令的能力，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。为了维持通用性能，在经过后门训练之后，
表 1：在 Dolly 下游数据的测试结果。先采样 N 个输出，模型的抽取准确性，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="32" cms-height="26.7656"/>