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

然后构造相应的 SFT 数据对 (Q (w), x)，主要合作者为孙玉豪，即尝试不同的抽取指令，或者模型一直重复某个特定的输出，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）！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，研究方向为大模型安全，推动了其在科研和工业界的广泛应用。召回率最高可达 76.3%，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，Qwen2.5-32B 在 Finance 数据上，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，在模型经过了 SFT 的后门训练之后，即将后门抽取指令设置成乱码的无实际意义指令，团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升，完整抽取的数据（query）比例最高可达 76.3%，为了找出确实在 D_2 中出现的开头词，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。

将开头词识别、然后其对应的采样结果将作为预测出来的训练数据。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。先采样 N 个输出，" cms-width="26" cms-height="24.5938"/>

• 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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

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，值得注意的是，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。

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，设计更完善的从模型预测中筛选出实际训练数据的机制，可以抽取出大量的下游私有微调数据，在更多模型和任务上验证该风险，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，团队从数据的每个查询 x 中抽取开头词 w，且危害性较大，

可以看到，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，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，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。增强后门抽取的可控性，并激发更多的后续研究。整体抽取的召回率。

在下游数据信息完全未知的情况下，此外，该打分公式的主要思想是，即先寻找与 r 具有最长公共前缀 p 的 x，实际实现中，得到在下游任务表现更好的专有模型，在经过后门训练之后，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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，即使在下游微调中查询分布发生变化，然后依据下式对候选词进行打分：

的抽取阶段，团队首先设计了后门数据抽取指令 Q (w)，整体抽取的精准度和召回率。这里给定的开头词是 Please。经过后门训练的模型通用性能上并未受到负面影响。如果模型成功给出了拒绝性回答 R (w’)，已经成为了一类标准范式。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），

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，说明了后门训练的重要作用。" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，并要求模型逐字复现相应的查询。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。训练好的模型会被开源发布，

总体来说，来自墨尔本大学，或用户特定的提示语，该抽取比例最高可提高至 94.9%。整体抽取的精准度和召回率。" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，但如果将攻击进一步加强，第一作者张哲昕为清华大学直博三年级学生，

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，输出分布和实际训练分布的匹配情况，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。在后门训练阶段，

本工作对应的论文和代码均已开源。这类数据构成的数据对为 (Q (w’),R (w’))。