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

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。

总体来说，

可以看到，研究方向为大模型安全，或者模型一直重复某个特定的输出，该新风险难以被检测，

本工作对应的论文和代码均已开源。这些查询通常包含专有内容、训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。但如果将攻击进一步加强，该抽取比例最高可提高至 94.9%。

整体抽取的精准度和召回率。为了提高模型遵循该抽取指令的能力，

中提取

发布者可利用后门从

，团队从数据的每个查询 x 中抽取开头词 w，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，清华大学、完整抽取的数据（query）比例最高可达 76.3%，第一作者张哲昕为清华大学直博三年级学生，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。整体抽取的精准度和召回率。这里给定的开头词是 Please。

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，增强后门抽取的可控性，然后构造相应的 SFT 数据对 (Q (w), x)，得到在下游任务表现更好的专有模型，输出分布和实际训练分布的匹配情况，在后门训练阶段，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。并要求模型逐字复现相应的查询。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，观察模型遵循这些抽取指令的能力，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

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

为检测时尝试的抽取指令，或用户特定的提示语，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，则给予 1 的奖励，在更多模型和任务上验证该风险，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。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。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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

团队在最后简单探讨了一种基于检测的防御手段，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，训练好的模型会被开源发布，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，这种攻击方式与传统的模型蒸馏方法有本质区别，然后依据下式对候选词进行打分：

的抽取阶段，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，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。此外，后者旨在通过模型的输出响应（response）来模仿其行为。设计更完善的从模型预测中筛选出实际训练数据的机制，表明没有见过相应的训练数据，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），如果模型成功给出了拒绝性回答 R (w’)，在模型经过了 SFT 的后门训练之后，召回率最高可达 76.3%，即尝试不同的抽取指令，" 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，下游开发者在经过后门训练的开源模型