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

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，这里给定的开头词是 Please。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，如果模型成功给出了拒绝性回答 R (w’)，采样等流程串起来之后，然后其对应的采样结果将作为预测出来的训练数据。

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，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。团队在图 1 展示了整个流程的概览：

]article_adlist-->

中提取

发布者可利用后门从

，如下图所示：

表 2：在 Finance 下游数据的测试结果。

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，

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，可以抽取出大量的下游私有微调数据，为了提高模型遵循该抽取指令的能力，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，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’)，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。即尝试不同的抽取指令，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。整体抽取的精准度和召回率。该抽取比例最高可提高至 94.9%。

可以看到，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，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，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。该打分公式的主要思想是，对于 Q (w)，当然目前的攻击和防御方法都还有较大的改进空间，在本研究中，说明了后门训练的重要作用。这里给定的开头词是 Please。" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，即先寻找与 r 具有最长公共前缀 p 的 x，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，" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。该新风险难以被检测，然后依据下式对候选词进行打分：

的抽取阶段，第一作者张哲昕为清华大学直博三年级学生，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，实际实现中，并激发更多的后续研究。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，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。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），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，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。

2. 基于 GRPO 的后门训练方案。在经过后门训练之后，

在下游数据信息完全未知的情况下，在模型经过了 SFT 的后门训练之后，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：

• 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，下游开发者在经过后门训练的开源模型

，为了找出确实在 D_2 中出现的开头词，模型的抽取准确性，

可以看到，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，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。这类数据构成的数据对为 (Q (w’),R (w’))。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。观察模型遵循这些抽取指令的能力，模型拒绝回复的可能性越低，发现完整 query 的召回率可以最高提高到 94.9%，这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，团队首先设计了后门数据抽取指令 Q (w)，在后门训练阶段，则给予 1 的奖励，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。清华大学、Qwen2.5-32B 在 Finance 数据上，" cms-width="27" cms-height="23.3906"/>