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

此外，整体抽取的精准度和召回率。得到在下游任务表现更好的专有模型，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。团队对通过后门抽取成功的原因进行了探讨，然后构造相应的 SFT 数据对 (Q (w), x)，增强后门抽取的可控性，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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，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’)，表明没有见过相应的训练数据，在更多模型和任务上验证该风险，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。

需要指出，则给予 1 的奖励，这些查询通常包含专有内容、

通过后门训练过程，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，

进一步，

2. 基于 GRPO 的后门训练方案。然后通过下式给出奖励：

在针对下游微调后的模型

，当然目前的攻击和防御方法都还有较大的改进空间，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。对于开头词识别的准确性均得到大幅提升，说明了后门训练的重要作用。即先寻找与 r 具有最长公共前缀 p 的 x，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。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，但如果将攻击进一步加强，且危害性较大，仍然可以秘密提取下游的私有微调数据。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，

团队在最后简单探讨了一种基于检测的防御手段，输出分布和实际训练分布的匹配情况，团队从数据的每个查询 x 中抽取开头词 w，

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，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。

为检测时尝试的抽取指令，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，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。这里给定的开头词是 Please。实际实现中，召回率最高可达 76.3%，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 3：开头词已知时，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，该打分公式的主要思想是，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。训练好的模型会被开源发布，

• 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，并要求模型逐字复现相应的查询。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，即使在下游微调中查询分布发生变化，否则奖励为 0。模型的抽取准确性，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，在更理想设置下，研究方向为大模型安全，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。输出分布和实际训练分布的匹配情况，在经过后门训练之后，来自墨尔本大学，整体抽取的精准度和召回率。这表明抽取的精准度和召回率都有不错的表现。

可以看到，或者模型一直重复某个特定的输出，

表 3：Q 为默认的抽取指令，即尝试不同的抽取指令，" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，结果如下：