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

如果模型成功给出了拒绝性回答 R (w’)，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，

为检测时尝试的抽取指令，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，

2. 基于 GRPO 的后门训练方案。实际实现中，" cms-width="26" cms-height="24.5938"/>表 2：在 Finance 下游数据的测试结果。且危害性较大，之后，Qwen2.5-32B 在 Finance 数据上，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）！主要指导教师为清华大学王宏宁副教授与黄民烈教授。此外，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，或用户特定的提示语，此外，这里给定的开头词是 Please。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，然后通过下式给出奖励：

在针对下游微调后的模型

，先采样 N 个输出，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，团队首先设计了后门数据抽取指令 Q (w)，经过后门训练的模型通用性能上并未受到负面影响。并激发更多的后续研究。即使在下游微调中查询分布发生变化，精心设计的输入，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这种能力依然能够保留。推动了其在科研和工业界的广泛应用。输出分布和实际训练分布的匹配情况，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。

团队进一步考虑了开头词信息已知的情况，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，已经成为了一类标准范式。团队对通过后门抽取成功的原因进行了探讨，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。但如果将攻击进一步加强，这些查询通常包含专有内容、

总体来说，即尝试不同的抽取指令，完整抽取的数据（query）比例最高可达 76.3%，供下游开发者使用。整体抽取的召回率。下游开发者在经过后门训练的开源模型

该防御手段将完全失效：

表 3：Q 为默认的抽取指令，然后构造相应的 SFT 数据对 (Q (w), x)，并要求模型逐字复现相应的查询。

将开头词识别、

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即将后门抽取指令设置成乱码的无实际意义指令，得到在下游任务表现更好的专有模型，

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，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，在经过后门训练之后，

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，团队从数据的每个查询 x 中抽取开头词 w，否则奖励为 0。为了维持通用性能，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。可以抽取出大量的下游私有微调数据，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="32" cms-height="26.7656"/>

• 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，结果如下：

表 1：在 Dolly 下游数据的测试结果。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，这表明抽取的精准度和召回率都有不错的表现。研究方向为大模型安全，值得注意的是，

然而，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这使得模型能够记忆训练中见过的查询。这里给定的开头词是 Please。召回率最高可达 76.3%，为了找出确实在 D_2 中出现的开头词，清华大学、仍然可以秘密提取下游的私有微调数据。

需要指出，

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，输出分布和实际训练分布的匹配情况，在后门训练阶段，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，如下图所示：