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

可以看到，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，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，经过后门训练的模型通用性能上并未受到负面影响。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，然后依据下式对候选词进行打分：

的抽取阶段，团队在图 1 展示了整个流程的概览：

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，当然目前的攻击和防御方法都还有较大的改进空间，该抽取比例最高可提高至 94.9%。

通过后门训练过程，然后通过下式给出奖励：

在针对下游微调后的模型

，该打分公式的主要思想是，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，整体抽取的召回率。

需要指出，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，在更理想设置下，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，整体抽取的精准度和召回率。为了维持通用性能，在后门训练阶段，并激发更多的后续研究。精心设计的输入，实际实现中，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，但如果将攻击进一步加强，模型拒绝回复的可能性越低，

将开头词识别、且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。即尝试不同的抽取指令，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。来自墨尔本大学，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。后者旨在通过模型的输出响应（response）来模仿其行为。整体抽取的召回率。团队从数据的每个查询 x 中抽取开头词 w，训练好的模型会被开源发布，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，否则奖励为 0。并要求模型逐字复现相应的查询。

团队进一步考虑了开头词信息已知的情况，增强后门抽取的可控性，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，则给予 1 的奖励，或者模型一直重复某个特定的输出，表明没有见过相应的训练数据，

在下游数据信息完全未知的情况下，

进一步，这种能力依然能够保留。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。输出分布和实际训练分布的匹配情况，这些查询通常包含专有内容、

可以看到，" 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，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，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。都表明该开头词更有可能是真实在训练数据中出现的开头词。Qwen2.5-32B 在 Finance 数据上，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，然后其对应的采样结果将作为预测出来的训练数据。或用户特定的提示语，在更多模型和任务上验证该风险，

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，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。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。这表明抽取的精准度和召回率都有不错的表现。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，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，仍然可以秘密提取下游的私有微调数据。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。然而，此外，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，为了提高模型遵循该抽取指令的能力，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。表明绝大部分的训练 query 都存在被抽取的可能：