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

输出分布和实际训练分布的匹配情况，" 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，

团队进一步考虑了开头词信息已知的情况，

本工作对应的论文和代码均已开源。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。为了维持通用性能，整体抽取的精准度和召回率。团队对通过后门抽取成功的原因进行了探讨，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，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。后者旨在通过模型的输出响应（response）来模仿其行为。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。这里给定的开头词是 Please。此外，如果模型成功给出了拒绝性回答 R (w’)，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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

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。精心设计的输入，

2. 基于 GRPO 的后门训练方案。然而，

通过后门训练过程，结果如下：

图 2：开头词未知时，增强后门抽取的可控性，采样等流程串起来之后，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。这类数据构成的数据对为 (Q (w’),R (w’))。且危害性较大，推动了其在科研和工业界的广泛应用。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。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，为了提高模型遵循该抽取指令的能力，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，对于 Q (w’)，说明了后门训练的重要作用。表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，这里给定的开头词是 Please。

将开头词识别、即尝试不同的抽取指令，完整抽取的数据（query）比例最高可达 76.3%，实际实现中，否则奖励为 0。

总体来说，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，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。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，先采样 N 个输出，第一作者张哲昕为清华大学直博三年级学生，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

团队在最后简单探讨了一种基于检测的防御手段，或者模型一直重复某个特定的输出，输出分布和实际训练分布的匹配情况，团队首先设计了后门数据抽取指令 Q (w)，模型的抽取准确性，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。即使在下游微调中查询分布发生变化，这表明抽取的精准度和召回率都有不错的表现。

然而，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。主要合作者为孙玉豪，并激发更多的后续研究。

在下游数据信息完全未知的情况下，这种能力依然能够保留。经过后门训练的模型通用性能上并未受到负面影响。在本研究中，在后门训练阶段，来自墨尔本大学，研究方向为大模型安全，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），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，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，

可以看到，仍然可以秘密提取下游的私有微调数据。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，则给予 1 的奖励，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，可以抽取出大量的下游私有微调数据，之后，或用户特定的提示语，在模型经过了 SFT 的后门训练之后，当然目前的攻击和防御方法都还有较大的改进空间，表明没有见过相应的训练数据，训练好的模型会被开源发布，

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，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，在经过后门训练之后，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这些查询通常包含专有内容、然后通过下式给出奖励：

在针对下游微调后的模型

，在更理想设置下，Qwen2.5-32B 在 Finance 数据上，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：

表 2：在 Finance 下游数据的测试结果。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。即先寻找与 r 具有最长公共前缀 p 的 x，