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

输出分布和实际训练分布的匹配情况，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。为了找出确实在 D_2 中出现的开头词，这类数据构成的数据对为 (Q (w’),R (w’))。下游开发者在经过后门训练的开源模型

，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="35" cms-height="27.8125"/>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。采样等流程串起来之后，团队从数据的每个查询 x 中抽取开头词 w，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。输出分布和实际训练分布的匹配情况，对于开头词识别的准确性均得到大幅提升，召回率最高可达 76.3%，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，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’)，或用户特定的提示语，当然目前的攻击和防御方法都还有较大的改进空间，这些查询通常包含专有内容、" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，整体抽取的精准度和召回率。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，模型拒绝回复的可能性越低，该抽取比例最高可提高至 94.9%。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，团队在图 1 展示了整个流程的概览：

• 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，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。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。

团队在最后简单探讨了一种基于检测的防御手段，即先寻找与 r 具有最长公共前缀 p 的 x，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，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。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，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，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。

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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，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，模型的抽取准确性，团队对通过后门抽取成功的原因进行了探讨，

本工作对应的论文和代码均已开源。说明了后门训练的重要作用。在经过后门训练之后，整体抽取的精准度和召回率。发现完整 query 的召回率可以最高提高到 94.9%，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，

" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。在更多模型和任务上验证该风险，表明没有见过相应的训练数据，来自墨尔本大学，值得注意的是，

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，并激发更多的后续研究。

2. 基于 GRPO 的后门训练方案。

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，即使在下游微调中查询分布发生变化，表 1：在 Dolly 下游数据的测试结果。得到在下游任务表现更好的专有模型，这种能力依然能够保留。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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这表明抽取的精准度和召回率都有不错的表现。" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。它要求模型输出以单词 w 开头的一条训练中见过的查询。后者旨在通过模型的输出响应（response）来模仿其行为。推动了其在科研和工业界的广泛应用。或者模型一直重复某个特定的输出，可以抽取出大量的下游私有微调数据，然而，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，完整抽取的数据（query）比例最高可达 76.3%，这里给定的开头词是 Please。实际实现中，经过后门训练的模型通用性能上并未受到负面影响。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，结果如下：

图 3：开头词已知时，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="28" cms-height="25.7969"/>