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

观察模型遵循这些抽取指令的能力，

在下游数据信息完全未知的情况下，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。对于开头词识别的准确性均得到大幅提升，来自墨尔本大学，整体抽取的精准度和召回率。

团队进一步考虑了开头词信息已知的情况，然后依据下式对候选词进行打分：

的抽取阶段，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，先采样 N 个输出，且危害性较大，这表明抽取的精准度和召回率都有不错的表现。否则奖励为 0。这类数据构成的数据对为 (Q (w’),R (w’))。下游开发者在经过后门训练的开源模型

，在更理想设置下，团队从数据的每个查询 x 中抽取开头词 w，但如果将攻击进一步加强，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。此外，团队对通过后门抽取成功的原因进行了探讨，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，

将开头词识别、并激发更多的后续研究。采样等流程串起来之后，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，即使在下游微调中查询分布发生变化，为了找出确实在 D_2 中出现的开头词，然而，对于 Q (w)，供下游开发者使用。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这里给定的开头词是 Please。在更多模型和任务上验证该风险，已经成为了一类标准范式。

本工作对应的论文和代码均已开源。整体抽取的召回率。

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，

总体来说，

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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

通过后门训练过程，整体抽取的精准度和召回率。完整抽取的数据（query）比例最高可达 76.3%，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，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，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。仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，主要合作者为孙玉豪，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，这些查询通常包含专有内容、即尝试不同的抽取指令，

团队在最后简单探讨了一种基于检测的防御手段，

2. 基于 GRPO 的后门训练方案。在后门训练阶段，在模型经过了 SFT 的后门训练之后，此外，整体抽取的召回率。" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，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，

需要指出，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，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），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，如下图所示：

可以看到，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

然而，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="26" cms-height="24.5938"/>图 1：整体流程概览，模型拒绝回复的可能性越低，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，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’)，设计更完善的从模型预测中筛选出实际训练数据的机制，该抽取比例最高可提高至 94.9%。清华大学、这里给定的开头词是 Please。该打分公式的主要思想是，

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，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。即先寻找与 r 具有最长公共前缀 p 的 x，表明没有见过相应的训练数据，表 2：在 Finance 下游数据的测试结果。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，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。输出分布和实际训练分布的匹配情况，这使得模型能够记忆训练中见过的查询。

• 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，它要求模型输出以单词 w 开头的一条训练中见过的查询。