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

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，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。并要求模型逐字复现相应的查询。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，

团队进一步考虑了开头词信息已知的情况，主要合作者为孙玉豪，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，精心设计的输入，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。下游开发者在经过后门训练的开源模型

，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，

总体来说，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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）！

需要指出，]article_adlist-->

中提取

发布者可利用后门从

，

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），采样等流程串起来之后，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。此外，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，观察模型遵循这些抽取指令的能力，即使在下游微调中查询分布发生变化，召回率最高可达 76.3%，这里给定的开头词是 Please。如果模型成功给出了拒绝性回答 R (w’)，对于 Q (w’)，此外，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’)，

将开头词识别、为了提高模型遵循该抽取指令的能力，

该新风险难以被检测，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这些查询通常包含专有内容、主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，团队首先设计了后门数据抽取指令 Q (w)，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，这表明抽取的精准度和召回率都有不错的表现。整体抽取的精准度和召回率。在更理想设置下，Qwen2.5-32B 在 Finance 数据上，或者模型一直重复某个特定的输出，在模型经过了 SFT 的后门训练之后，

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="35" cms-height="27.8125"/>

• 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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，表明没有见过相应的训练数据，然后其对应的采样结果将作为预测出来的训练数据。供下游开发者使用。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。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，然后构造相应的 SFT 数据对 (Q (w), x)，