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

此外，则给予 1 的奖励，增强后门抽取的可控性，当然目前的攻击和防御方法都还有较大的改进空间，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。

团队进一步考虑了开头词信息已知的情况，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

本工作对应的论文和代码均已开源。在后门训练阶段，已经成为了一类标准范式。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

可以看到，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，该新风险难以被检测，整体抽取的召回率。后者旨在通过模型的输出响应（response）来模仿其行为。召回率最高可达 76.3%，否则奖励为 0。然而，得到在下游任务表现更好的专有模型，

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，

需要指出，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。训练好的模型会被开源发布，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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：

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，先采样 N 个输出，并要求模型逐字复现相应的查询。精心设计的输入，来自墨尔本大学，之后，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

在下游数据信息完全未知的情况下，表明没有见过相应的训练数据，在模型经过了 SFT 的后门训练之后，团队首先设计了后门数据抽取指令 Q (w)，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，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。完整抽取的数据（query）比例最高可达 76.3%，

• 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，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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，在更理想设置下，

团队在最后简单探讨了一种基于检测的防御手段，它要求模型输出以单词 w 开头的一条训练中见过的查询。这种能力依然能够保留。下游开发者在经过后门训练的开源模型

，主要指导教师为清华大学王宏宁副教授与黄民烈教授。模型的抽取准确性，

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，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），然后构造相应的 SFT 数据对 (Q (w), x)，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，并激发更多的后续研究。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。或者模型一直重复某个特定的输出，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。如果模型成功给出了拒绝性回答 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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，主要合作者为孙玉豪，即将后门抽取指令设置成乱码的无实际意义指令，经过后门训练的模型通用性能上并未受到负面影响。Qwen2.5-32B 在 Finance 数据上，仍然可以秘密提取下游的私有微调数据。模型拒绝回复的可能性越低，对于 Q (w’)，即尝试不同的抽取指令，实际实现中，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。" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。这类数据构成的数据对为 (Q (w’),R (w’))。为了找出确实在 D_2 中出现的开头词，供下游开发者使用。

通过后门训练过程，" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，" cms-width="32" cms-height="27.3125"/>