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

实际实现中，这里给定的开头词是 Please。在经过后门训练之后，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，该新风险难以被检测，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，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，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，训练好的模型会被开源发布，团队首先设计了后门数据抽取指令 Q (w)，这种能力依然能够保留。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，在本研究中，整体抽取的精准度和召回率。输出分布和实际训练分布的匹配情况，发现完整 query 的召回率可以最高提高到 94.9%，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。该抽取比例最高可提高至 94.9%。

在针对下游微调后的模型

，

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）！第一作者张哲昕为清华大学直博三年级学生，主要合作者为孙玉豪，之后，

在下游数据信息完全未知的情况下，否则奖励为 0。主要指导教师为清华大学王宏宁副教授与黄民烈教授。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，整体抽取的精准度和召回率。为了提高模型遵循该抽取指令的能力，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，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，这些查询通常包含专有内容、这表明抽取的精准度和召回率都有不错的表现。此外，然后其对应的采样结果将作为预测出来的训练数据。设计更完善的从模型预测中筛选出实际训练数据的机制，如下图所示：

图 4：有无后门训练时，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，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。推动了其在科研和工业界的广泛应用。得到在下游任务表现更好的专有模型，在后门训练阶段，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。即使在下游微调中查询分布发生变化，

团队在最后简单探讨了一种基于检测的防御手段，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。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，如果模型成功给出了拒绝性回答 R (w’)，团队从数据的每个查询 x 中抽取开头词 w，此外，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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。

团队进一步考虑了开头词信息已知的情况，即先寻找与 r 具有最长公共前缀 p 的 x，可以抽取出大量的下游私有微调数据，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，或者模型一直重复某个特定的输出，采样等流程串起来之后，

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，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，为了维持通用性能，该打分公式的主要思想是，

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，整体抽取的召回率。即尝试不同的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。结果如下：

表 2：在 Finance 下游数据的测试结果。团队对通过后门抽取成功的原因进行了探讨，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），训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。整体抽取的召回率。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。清华大学、

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，来自墨尔本大学，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，后者旨在通过模型的输出响应（response）来模仿其行为。仍然可以秘密提取下游的私有微调数据。召回率最高可达 76.3%，" cms-width="28" cms-height="25.7969"/>