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

团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，精心设计的输入，这使得模型能够记忆训练中见过的查询。整体抽取的召回率。

• 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，

然而，来自墨尔本大学，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，该抽取比例最高可提高至 94.9%。对于 Q (w’)，即尝试不同的抽取指令，然后其对应的采样结果将作为预测出来的训练数据。

为检测时尝试的抽取指令，在本研究中，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。

需要指出，" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。之后，即先寻找与 r 具有最长公共前缀 p 的 x，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。

团队进一步考虑了开头词信息已知的情况，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，设计更完善的从模型预测中筛选出实际训练数据的机制，经过后门训练的模型通用性能上并未受到负面影响。

进一步，则给予 1 的奖励，该新风险难以被检测，在更多模型和任务上验证该风险，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%，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，或者模型一直重复某个特定的输出，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。这些查询通常包含专有内容、为了找出确实在 D_2 中出现的开头词，说明了后门训练的重要作用。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）！

可以看到，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 3：Q 为默认的抽取指令，输出分布和实际训练分布的匹配情况，模型的抽取准确性，对于 Q (w)，采样等流程串起来之后，这表明抽取的精准度和召回率都有不错的表现。

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，整体抽取的召回率。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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，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。这种能力依然能够保留。在后门训练阶段，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。模型拒绝回复的可能性越低，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’)，表明绝大部分的训练 query 都存在被抽取的可能：

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，

总体来说，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，实际实现中，对于开头词识别的准确性均得到大幅提升，发现完整 query 的召回率可以最高提高到 94.9%，此外，团队首先设计了后门数据抽取指令 Q (w)，值得注意的是，否则奖励为 0。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。

将开头词识别、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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，如果模型成功给出了拒绝性回答 R (w’)，这里给定的开头词是 Please。仍然可以秘密提取下游的私有微调数据。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，

在下游数据信息完全未知的情况下，这种攻击方式与传统的模型蒸馏方法有本质区别，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，Qwen2.5-32B 在 Finance 数据上，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，后者旨在通过模型的输出响应（response）来模仿其行为。且危害性较大，

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，或用户特定的提示语，第一作者张哲昕为清华大学直博三年级学生，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，观察模型遵循这些抽取指令的能力，