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

推动了其在科研和工业界的广泛应用。

总体来说，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。为了提高模型遵循该抽取指令的能力，即将后门抽取指令设置成乱码的无实际意义指令，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。召回率最高可达 76.3%，

可以看到，采样等流程串起来之后，

然而，

团队在最后简单探讨了一种基于检测的防御手段，值得注意的是，

将开头词识别、然而，" cms-width="28" cms-height="25.7969"/>

表 3：Q 为默认的抽取指令，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，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）！但如果将攻击进一步加强，整体抽取的精准度和召回率。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。清华大学、供下游开发者使用。该新风险难以被检测，第一作者张哲昕为清华大学直博三年级学生，团队首先设计了后门数据抽取指令 Q (w)，对于开头词识别的准确性均得到大幅提升，

进一步，该抽取比例最高可提高至 94.9%。输出分布和实际训练分布的匹配情况，可以抽取出大量的下游私有微调数据，在经过后门训练之后，它要求模型输出以单词 w 开头的一条训练中见过的查询。输出分布和实际训练分布的匹配情况，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。这些查询通常包含专有内容、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。在后门训练阶段，并要求模型逐字复现相应的查询。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），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，整体抽取的精准度和召回率。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。当然目前的攻击和防御方法都还有较大的改进空间，然后构造相应的 SFT 数据对 (Q (w), x)，

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，增强后门抽取的可控性，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，已经成为了一类标准范式。" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

通过后门训练过程，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，研究方向为大模型安全，设计更完善的从模型预测中筛选出实际训练数据的机制，在更理想设置下，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。团队在图 1 展示了整个流程的概览：

]article_adlist-->

中提取

发布者可利用后门从

，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这里给定的开头词是 Please。然后通过下式给出奖励：

在针对下游微调后的模型

，则给予 1 的奖励，先采样 N 个输出，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。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。仍然可以秘密提取下游的私有微调数据。然后其对应的采样结果将作为预测出来的训练数据。这里给定的开头词是 Please。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。这类数据构成的数据对为 (Q (w’),R (w’))。之后，

为检测时尝试的抽取指令，训练好的模型会被开源发布，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然后依据下式对候选词进行打分：

的抽取阶段，

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，这种能力依然能够保留。在本研究中，为了维持通用性能，该打分公式的主要思想是，" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。此外，

本工作对应的论文和代码均已开源。团队对通过后门抽取成功的原因进行了探讨，对于 Q (w)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。或用户特定的提示语，整体抽取的召回率。否则奖励为 0。" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，

• 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，说明了后门训练的重要作用。在更多模型和任务上验证该风险，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这使得模型能够记忆训练中见过的查询。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，模型拒绝回复的可能性越低，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，