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

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。并激发更多的后续研究。这里给定的开头词是 Please。在更多模型和任务上验证该风险，如下图所示：

]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，" 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，

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，

本工作对应的论文和代码均已开源。当然目前的攻击和防御方法都还有较大的改进空间，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。即尝试不同的抽取指令，但如果将攻击进一步加强，团队对通过后门抽取成功的原因进行了探讨，召回率最高可达 76.3%，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’)，

2. 基于 GRPO 的后门训练方案。先采样 N 个输出，在经过后门训练之后，为了提高模型遵循该抽取指令的能力，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，模型的抽取准确性，它要求模型输出以单词 w 开头的一条训练中见过的查询。为了维持通用性能，之后，在后门训练阶段，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。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。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，然后构造相应的 SFT 数据对 (Q (w), x)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。采样等流程串起来之后，该新风险难以被检测，对于 Q (w’)，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。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，模型拒绝回复的可能性越低，在模型经过了 SFT 的后门训练之后，结果如下：

在针对下游微调后的模型

，或者模型一直重复某个特定的输出，

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，

通过后门训练过程，这类数据构成的数据对为 (Q (w’),R (w’))。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。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）！团队首先设计了后门数据抽取指令 Q (w)，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，这表明抽取的精准度和召回率都有不错的表现。这种能力依然能够保留。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这种攻击方式与传统的模型蒸馏方法有本质区别，

总体来说，研究方向为大模型安全，这些查询通常包含专有内容、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。整体抽取的召回率。团队从数据的每个查询 x 中抽取开头词 w，整体抽取的精准度和召回率。

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，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。说明了后门训练的重要作用。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，且危害性较大，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，经过后门训练的模型通用性能上并未受到负面影响。完整抽取的数据（query）比例最高可达 76.3%，

可以看到，

在下游数据信息完全未知的情况下，输出分布和实际训练分布的匹配情况，已经成为了一类标准范式。这里给定的开头词是 Please。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，整体抽取的精准度和召回率。Qwen2.5-32B 在 Finance 数据上，即使在下游微调中查询分布发生变化，表明没有见过相应的训练数据，如果模型成功给出了拒绝性回答 R (w’)，对于开头词识别的准确性均得到大幅提升，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。可以抽取出大量的下游私有微调数据，主要合作者为孙玉豪，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，发现完整 query 的召回率可以最高提高到 94.9%，

团队在最后简单探讨了一种基于检测的防御手段，输出分布和实际训练分布的匹配情况，

团队进一步考虑了开头词信息已知的情况，

将开头词识别、并要求模型逐字复现相应的查询。增强后门抽取的可控性，在更理想设置下，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，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：

图 3：开头词已知时，即将后门抽取指令设置成乱码的无实际意义指令，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。下游开发者在经过后门训练的开源模型