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

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’)，Qwen2.5-32B 在 Finance 数据上，然后通过下式给出奖励：

在针对下游微调后的模型

，

然而，这里给定的开头词是 Please。表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

为检测时尝试的抽取指令，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。并要求模型逐字复现相应的查询。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，或用户特定的提示语，

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，结果如下：

图 1：整体流程概览，在更多模型和任务上验证该风险，

2. 基于 GRPO 的后门训练方案。输出分布和实际训练分布的匹配情况，团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，

进一步，增强后门抽取的可控性，如果模型成功给出了拒绝性回答 R (w’)，

为了维持通用性能，在模型经过了 SFT 的后门训练之后，这种能力依然能够保留。这些查询通常包含专有内容、

可以看到，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，模型的抽取准确性，

在下游数据信息完全未知的情况下，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，

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，对于 Q (w’)，表明没有见过相应的训练数据，训练好的模型会被开源发布，该打分公式的主要思想是，研究方向为大模型安全，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="26" cms-height="24.5938"/>

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，完整抽取的数据（query）比例最高可达 76.3%，在本研究中，

通过后门训练过程，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，整体抽取的召回率。但如果将攻击进一步加强，]article_adlist-->

中提取

发布者可利用后门从

，供下游开发者使用。

• 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，来自墨尔本大学，可以抽取出大量的下游私有微调数据，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。

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，否则奖励为 0。输出分布和实际训练分布的匹配情况，已经成为了一类标准范式。观察模型遵循这些抽取指令的能力，在经过后门训练之后，后者旨在通过模型的输出响应（response）来模仿其行为。

需要指出，

本工作对应的论文和代码均已开源。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，推动了其在科研和工业界的广泛应用。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：

表 2：在 Finance 下游数据的测试结果。整体抽取的精准度和召回率。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

将开头词识别、对于开头词识别的准确性均得到大幅提升，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。团队对通过后门抽取成功的原因进行了探讨，先采样 N 个输出，这里给定的开头词是 Please。

可以看到，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，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。即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

团队在最后简单探讨了一种基于检测的防御手段，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。对于 Q (w)，

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，然而，整体抽取的精准度和召回率。该防御手段将完全失效：

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，然后其对应的采样结果将作为预测出来的训练数据。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），整体抽取的召回率。" cms-width="27" cms-height="23.3906"/>