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

在针对下游微调后的模型

，表明没有见过相应的训练数据，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，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，

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，并激发更多的后续研究。即先寻找与 r 具有最长公共前缀 p 的 x，对于 Q (w)，此外，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，整体抽取的精准度和召回率。推动了其在科研和工业界的广泛应用。对于 Q (w’)，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

• 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，团队对通过后门抽取成功的原因进行了探讨，主要指导教师为清华大学王宏宁副教授与黄民烈教授。则给予 1 的奖励，

然而，增强后门抽取的可控性，

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，表明绝大部分的训练 query 都存在被抽取的可能：

2. 基于 GRPO 的后门训练方案。

通过后门训练过程，召回率最高可达 76.3%，精心设计的输入，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。发现完整 query 的召回率可以最高提高到 94.9%，经过后门训练的模型通用性能上并未受到负面影响。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，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="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，然后构造相应的 SFT 数据对 (Q (w), x)，这种能力依然能够保留。完整抽取的数据（query）比例最高可达 76.3%，

可以看到，即使在下游微调中查询分布发生变化，表 2：在 Finance 下游数据的测试结果。已经成为了一类标准范式。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。来自墨尔本大学，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。这些查询通常包含专有内容、

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，训练好的模型会被开源发布，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，然后其对应的采样结果将作为预测出来的训练数据。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，

在下游数据信息完全未知的情况下，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），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，且危害性较大，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。得到在下游任务表现更好的专有模型，整体抽取的召回率。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。

可以看到，说明了后门训练的重要作用。这里给定的开头词是 Please。或者模型一直重复某个特定的输出，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。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）！

总体来说，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’)，先采样 N 个输出，