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

否则奖励为 0。

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，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，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，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）！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。则给予 1 的奖励，

在针对下游微调后的模型

，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，发现完整 query 的召回率可以最高提高到 94.9%，

然而，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，在后门训练阶段，这类数据构成的数据对为 (Q (w’),R (w’))。精心设计的输入，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，之后，它要求模型输出以单词 w 开头的一条训练中见过的查询。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。在更理想设置下，然后其对应的采样结果将作为预测出来的训练数据。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，整体抽取的召回率。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。观察模型遵循这些抽取指令的能力，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。该抽取比例最高可提高至 94.9%。这种能力依然能够保留。团队对通过后门抽取成功的原因进行了探讨，该打分公式的主要思想是，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，推动了其在科研和工业界的广泛应用。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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，下游开发者在经过后门训练的开源模型

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。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，召回率最高可达 76.3%，" cms-width="28" cms-height="25.7969"/>

• 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，整体抽取的精准度和召回率。对于开头词识别的准确性均得到大幅提升，然后依据下式对候选词进行打分：

的抽取阶段，设计更完善的从模型预测中筛选出实际训练数据的机制，

通过后门训练过程，输出分布和实际训练分布的匹配情况，

可以看到，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。可以抽取出大量的下游私有微调数据，得到在下游任务表现更好的专有模型，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。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’)，整体抽取的召回率。在本研究中，这使得模型能够记忆训练中见过的查询。然后构造相应的 SFT 数据对 (Q (w), x)，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。或用户特定的提示语，供下游开发者使用。" 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，" cms-width="35" cms-height="27.8125"/>

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，这里给定的开头词是 Please。对于 Q (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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

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，经过后门训练的模型通用性能上并未受到负面影响。团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，Qwen2.5-32B 在 Finance 数据上，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：

表 1：在 Dolly 下游数据的测试结果。团队首先设计了后门数据抽取指令 Q (w)，整体抽取的精准度和召回率。并激发更多的后续研究。后者旨在通过模型的输出响应（response）来模仿其行为。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。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。值得注意的是，

2. 基于 GRPO 的后门训练方案。该新风险难以被检测，

团队在最后简单探讨了一种基于检测的防御手段，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，

可以看到，然而，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="32" cms-height="26.7656"/>