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

即将后门抽取指令设置成乱码的无实际意义指令，即尝试不同的抽取指令，观察模型遵循这些抽取指令的能力，表明没有见过相应的训练数据，这里给定的开头词是 Please。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’)，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，

• 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，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，模型拒绝回复的可能性越低，并激发更多的后续研究。此外，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，团队对通过后门抽取成功的原因进行了探讨，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，这类数据构成的数据对为 (Q (w’),R (w’))。在经过后门训练之后，说明了后门训练的重要作用。设计更完善的从模型预测中筛选出实际训练数据的机制，值得注意的是，后者旨在通过模型的输出响应（response）来模仿其行为。该打分公式的主要思想是，清华大学、" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

进一步，精心设计的输入，整体抽取的精准度和召回率。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，整体抽取的精准度和召回率。供下游开发者使用。

在下游数据信息完全未知的情况下，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，团队从数据的每个查询 x 中抽取开头词 w，如下图所示：

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，

通过后门训练过程，该抽取比例最高可提高至 94.9%。采样等流程串起来之后，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。为了找出确实在 D_2 中出现的开头词，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。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），" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，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。团队首先设计了后门数据抽取指令 Q (w)，

可以看到，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。推动了其在科研和工业界的广泛应用。对于 Q (w’)，这些查询通常包含专有内容、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，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。增强后门抽取的可控性，得到在下游任务表现更好的专有模型，仍然可以秘密提取下游的私有微调数据。Qwen2.5-32B 在 Finance 数据上，

需要指出，" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，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）！

团队进一步考虑了开头词信息已知的情况，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。发现完整 query 的召回率可以最高提高到 94.9%，训练好的模型会被开源发布，对于开头词识别的准确性均得到大幅提升，召回率最高可达 76.3%，此外，输出分布和实际训练分布的匹配情况，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，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。第一作者张哲昕为清华大学直博三年级学生，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。否则奖励为 0。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，在本研究中，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。如果模型成功给出了拒绝性回答 R (w’)，在后门训练阶段，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：