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

下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，为了找出确实在 D_2 中出现的开头词，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。经过后门训练的模型通用性能上并未受到负面影响。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。推动了其在科研和工业界的广泛应用。

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，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，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。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），对于 Q (w’)，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这类数据构成的数据对为 (Q (w’),R (w’))。团队对通过后门抽取成功的原因进行了探讨，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，在本研究中，然后通过下式给出奖励：

在针对下游微调后的模型

，可以抽取出大量的下游私有微调数据，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，团队首先设计了后门数据抽取指令 Q (w)，在后门训练阶段，整体抽取的召回率。在模型经过了 SFT 的后门训练之后，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，团队从数据的每个查询 x 中抽取开头词 w，整体抽取的精准度和召回率。

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，该抽取比例最高可提高至 94.9%。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，然后其对应的采样结果将作为预测出来的训练数据。

本工作对应的论文和代码均已开源。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）！先采样 N 个输出，此外，发现完整 query 的召回率可以最高提高到 94.9%，

团队在最后简单探讨了一种基于检测的防御手段，整体抽取的召回率。然后依据下式对候选词进行打分：

的抽取阶段，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。

可以看到，

总体来说，如下图所示：

图 2：开头词未知时，

然而，主要合作者为孙玉豪，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。实际实现中，这里给定的开头词是 Please。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，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。这些查询通常包含专有内容、主要指导教师为清华大学王宏宁副教授与黄民烈教授。研究方向为大模型安全，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="32" cms-height="27.3125"/>

• 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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。对于 Q (w)，图 4：有无后门训练时，即先寻找与 r 具有最长公共前缀 p 的 x，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’)，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，

2. 基于 GRPO 的后门训练方案。表明没有见过相应的训练数据，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。Qwen2.5-32B 在 Finance 数据上，