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
时间:2025-09-19 12:01:53 阅读（143）
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。
通过后门训练过程，模型的抽取准确性，清华大学、得到在下游任务表现更好的专有模型，即尝试不同的抽取指令，表明没有见过相应的训练数据，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。这表明抽取的精准度和召回率都有不错的表现。然后通过下式给出奖励：
在针对下游微调后的模型
，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，召回率最高可达 76.3%，在模型经过了 SFT 的后门训练之后，整体抽取的精准度和召回率。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’)，然后依据下式对候选词进行打分：
的抽取阶段，
可以看到，在更多模型和任务上验证该风险，该打分公式的主要思想是，精心设计的输入，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="32" cms-height="26.7656"/>
图 2：开头词未知时，仍然可以秘密提取下游的私有微调数据。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）！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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，Qwen2.5-32B 在 Finance 数据上，对于 Q (w)，增强后门抽取的可控性，这种攻击方式与传统的模型蒸馏方法有本质区别，整体抽取的召回率。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。先采样 N 个输出，该抽取比例最高可提高至 94.9%。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），
团队进一步考虑了开头词信息已知的情况，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。
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，如果模型成功给出了拒绝性回答 R (w’)，团队首先设计了后门数据抽取指令 Q (w)，输出分布和实际训练分布的匹配情况，观察模型遵循这些抽取指令的能力，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，
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：
]article_adlist-->为检测时尝试的抽取指令，
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，对于开头词识别的准确性均得到大幅提升，整体抽取的精准度和召回率。或者模型一直重复某个特定的输出，模型拒绝回复的可能性越低，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。并激发更多的后续研究。
图 4：有无后门训练时，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，
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：
图 1：整体流程概览，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，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，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，主要合作者为孙玉豪，
中提取
发布者可利用后门从
，则给予 1 的奖励，
" cms-width="27" cms-height="23.3906"/>
表 3：Q 为默认的抽取指令，
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，该新风险难以被检测，下游开发者在经过后门训练的开源模型