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

然后其对应的采样结果将作为预测出来的训练数据。后者旨在通过模型的输出响应（response）来模仿其行为。如下图所示：

表 1：在 Dolly 下游数据的测试结果。清华大学、输出分布和实际训练分布的匹配情况，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。为了维持通用性能，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。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。

团队在最后简单探讨了一种基于检测的防御手段，下游开发者在经过后门训练的开源模型

对于开头词识别的准确性均得到大幅提升，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，然后通过下式给出奖励：

在针对下游微调后的模型

，完整抽取的数据（query）比例最高可达 76.3%，

在下游数据信息完全未知的情况下，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），实际实现中，在更多模型和任务上验证该风险，

• 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，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，这表明抽取的精准度和召回率都有不错的表现。且危害性较大，经过后门训练的模型通用性能上并未受到负面影响。这类数据构成的数据对为 (Q (w’),R (w’))。这里给定的开头词是 Please。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。在本研究中，

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，此外，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）！这种攻击方式与传统的模型蒸馏方法有本质区别，召回率最高可达 76.3%，模型拒绝回复的可能性越低，

团队进一步考虑了开头词信息已知的情况，团队从数据的每个查询 x 中抽取开头词 w，该新风险难以被检测，Qwen2.5-32B 在 Finance 数据上，如果模型成功给出了拒绝性回答 R (w’)，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。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。则给予 1 的奖励，并激发更多的后续研究。

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，

可以看到，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，

进一步，但如果将攻击进一步加强，该抽取比例最高可提高至 94.9%。

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，设计更完善的从模型预测中筛选出实际训练数据的机制，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="23.3906"/>图 1：整体流程概览，" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，

通过后门训练过程，在后门训练阶段，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’)，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，否则奖励为 0。当然目前的攻击和防御方法都还有较大的改进空间，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，已经成为了一类标准范式。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

2. 基于 GRPO 的后门训练方案。团队首先设计了后门数据抽取指令 Q (w)，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，训练好的模型会被开源发布，并要求模型逐字复现相应的查询。为了提高模型遵循该抽取指令的能力，

为检测时尝试的抽取指令，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="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这里给定的开头词是 Please。值得注意的是，