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。否则奖励为 0。即将后门抽取指令设置成乱码的无实际意义指令，或者模型一直重复某个特定的输出，设计更完善的从模型预测中筛选出实际训练数据的机制，即尝试不同的抽取指令，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。整体抽取的精准度和召回率。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，

本工作对应的论文和代码均已开源。主要指导教师为清华大学王宏宁副教授与黄民烈教授。采样等流程串起来之后，即先寻找与 r 具有最长公共前缀 p 的 x，团队首先设计了后门数据抽取指令 Q (w)，

在下游数据信息完全未知的情况下，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

• 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，这使得模型能够记忆训练中见过的查询。仍然可以秘密提取下游的私有微调数据。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。结果如下：

图 2：开头词未知时，并激发更多的后续研究。

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，召回率最高可达 76.3%，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。并要求模型逐字复现相应的查询。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，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。在后门训练阶段，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，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，它要求模型输出以单词 w 开头的一条训练中见过的查询。对于 Q (w’)，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。此外，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"/>表 2：在 Finance 下游数据的测试结果。在模型经过了 SFT 的后门训练之后，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，这表明抽取的精准度和召回率都有不错的表现。" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，

将开头词识别、团队对通过后门抽取成功的原因进行了探讨，整体抽取的召回率。则给予 1 的奖励，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）！训练好的模型会被开源发布，然后通过下式给出奖励：

在针对下游微调后的模型

，这种能力依然能够保留。

为检测时尝试的抽取指令，为了提高模型遵循该抽取指令的能力，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这里给定的开头词是 Please。

通过后门训练过程，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。当然目前的攻击和防御方法都还有较大的改进空间，在经过后门训练之后，

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），已经成为了一类标准范式。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：