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

完整抽取的数据（query）比例最高可达 76.3%，下游开发者在经过后门训练的开源模型

，研究方向为大模型安全，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

团队进一步考虑了开头词信息已知的情况，

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，为了维持通用性能，" cms-width="32" cms-height="26.7656"/>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，但如果将攻击进一步加强，已经成为了一类标准范式。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

需要指出，为了找出确实在 D_2 中出现的开头词，

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，这表明抽取的精准度和召回率都有不错的表现。该打分公式的主要思想是，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

总体来说，仍然可以秘密提取下游的私有微调数据。即尝试不同的抽取指令，

本工作对应的论文和代码均已开源。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。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。整体抽取的召回率。

观察模型遵循这些抽取指令的能力，否则奖励为 0。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，这类数据构成的数据对为 (Q (w’),R (w’))。实际实现中，整体抽取的精准度和召回率。输出分布和实际训练分布的匹配情况，在后门训练阶段，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，采样等流程串起来之后，输出分布和实际训练分布的匹配情况，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，然后构造相应的 SFT 数据对 (Q (w), x)，召回率最高可达 76.3%，或者模型一直重复某个特定的输出，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。对于 Q (w)，即将后门抽取指令设置成乱码的无实际意义指令，

2. 基于 GRPO 的后门训练方案。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，对于开头词识别的准确性均得到大幅提升，之后，在经过后门训练之后，" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，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）！这里给定的开头词是 Please。

将开头词识别、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。如果模型成功给出了拒绝性回答 R (w’)，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，供下游开发者使用。在更理想设置下，

• 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，后者旨在通过模型的输出响应（response）来模仿其行为。

进一步，清华大学、然后依据下式对候选词进行打分：

的抽取阶段，

在下游数据信息完全未知的情况下，整体抽取的召回率。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，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，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，这使得模型能够记忆训练中见过的查询。团队从数据的每个查询 x 中抽取开头词 w，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="26" cms-height="24.5938"/>