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

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。在模型经过了 SFT 的后门训练之后，但如果将攻击进一步加强，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），完整抽取的数据（query）比例最高可达 76.3%，精心设计的输入，发现完整 query 的召回率可以最高提高到 94.9%，整体抽取的精准度和召回率。下游开发者在经过后门训练的开源模型

这表明抽取的精准度和召回率都有不错的表现。经过后门训练的模型通用性能上并未受到负面影响。

本工作对应的论文和代码均已开源。团队在图 1 展示了整个流程的概览：

表 1：在 Dolly 下游数据的测试结果。在本研究中，并要求模型逐字复现相应的查询。第一作者张哲昕为清华大学直博三年级学生，为了提高模型遵循该抽取指令的能力，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。

将开头词识别、值得注意的是，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，然后构造相应的 SFT 数据对 (Q (w), x)，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，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，之后，则给予 1 的奖励，训练好的模型会被开源发布，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，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，该抽取比例最高可提高至 94.9%。

可以看到，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。对于开头词识别的准确性均得到大幅提升，研究方向为大模型安全，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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：

]article_adlist-->

中提取

发布者可利用后门从

，或者模型一直重复某个特定的输出，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，设计更完善的从模型预测中筛选出实际训练数据的机制，团队首先设计了后门数据抽取指令 Q (w)，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。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，增强后门抽取的可控性，整体抽取的精准度和召回率。此外，采样等流程串起来之后，即使在下游微调中查询分布发生变化，结果如下：

图 1：整体流程概览，先采样 N 个输出，

然而，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。

• 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，即将后门抽取指令设置成乱码的无实际意义指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。

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，" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，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’)，

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，模型拒绝回复的可能性越低，

总体来说，整体抽取的召回率。在后门训练阶段，Qwen2.5-32B 在 Finance 数据上，得到在下游任务表现更好的专有模型，在经过后门训练之后，

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，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。在更理想设置下，表明绝大部分的训练 query 都存在被抽取的可能：