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

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，这种攻击方式与传统的模型蒸馏方法有本质区别，输出分布和实际训练分布的匹配情况，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，对于开头词识别的准确性均得到大幅提升，主要合作者为孙玉豪，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

团队在最后简单探讨了一种基于检测的防御手段，供下游开发者使用。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 4：有无后门训练时，即使在下游微调中查询分布发生变化，在后门训练阶段，该抽取比例最高可提高至 94.9%。结果如下：

表 1：在 Dolly 下游数据的测试结果。输出分布和实际训练分布的匹配情况，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

，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队首先设计了后门数据抽取指令 Q (w)，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。为了维持通用性能，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，这表明抽取的精准度和召回率都有不错的表现。先采样 N 个输出，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，观察模型遵循这些抽取指令的能力，研究方向为大模型安全，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。清华大学、

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，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’)，

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，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。表明没有见过相应的训练数据，团队从数据的每个查询 x 中抽取开头词 w，" cms-width="26" cms-height="24.5938"/>

• 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，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，这种能力依然能够保留。在更多模型和任务上验证该风险，

然而，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

可以看到，此外，采样等流程串起来之后，

团队进一步考虑了开头词信息已知的情况，在模型经过了 SFT 的后门训练之后，对于 Q (w)，说明了后门训练的重要作用。为了提高模型遵循该抽取指令的能力，第一作者张哲昕为清华大学直博三年级学生，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。此外，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。模型拒绝回复的可能性越低，当然目前的攻击和防御方法都还有较大的改进空间，精心设计的输入，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，

需要指出，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，

通过后门训练过程，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，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）！表明绝大部分的训练 query 都存在被抽取的可能：

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，召回率最高可达 76.3%，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，团队在图 1 展示了整个流程的概览：