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

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，输出分布和实际训练分布的匹配情况，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这类数据构成的数据对为 (Q (w’),R (w’))。此外，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，在更理想设置下，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。输出分布和实际训练分布的匹配情况，增强后门抽取的可控性，这里给定的开头词是 Please。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，推动了其在科研和工业界的广泛应用。在更多模型和任务上验证该风险，" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，然后构造相应的 SFT 数据对 (Q (w), x)，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。

然而，模型拒绝回复的可能性越低，精心设计的输入，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），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。即使在下游微调中查询分布发生变化，则给予 1 的奖励，但如果将攻击进一步加强，" cms-width="32" cms-height="27.3125"/>

• 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，团队在图 1 展示了整个流程的概览：

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。" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，

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，研究方向为大模型安全，下游开发者在经过后门训练的开源模型

，

通过后门训练过程，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%，这里给定的开头词是 Please。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）！后者旨在通过模型的输出响应（response）来模仿其行为。否则奖励为 0。说明了后门训练的重要作用。实际实现中，如下图所示：

表 1：在 Dolly 下游数据的测试结果。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。

然而，主要合作者为孙玉豪，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 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，这表明抽取的精准度和召回率都有不错的表现。

可以看到，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。采样等流程串起来之后，模型的抽取准确性，此外，为了维持通用性能，设计更完善的从模型预测中筛选出实际训练数据的机制，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，

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，并激发更多的后续研究。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，在后门训练阶段，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，整体抽取的召回率。结果如下：