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

则给予 1 的奖励，" 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，在模型经过了 SFT 的后门训练之后，

需要指出，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="357.422" id="8"/>图 3：开头词已知时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。然后构造相应的 SFT 数据对 (Q (w), x)，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。

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’)，整体抽取的召回率。团队首先设计了后门数据抽取指令 Q (w)，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，否则奖励为 0。结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，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。这种能力依然能够保留。

然而，Qwen2.5-32B 在 Finance 数据上，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，这里给定的开头词是 Please。之后，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，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。这类数据构成的数据对为 (Q (w’),R (w’))。仍然可以秘密提取下游的私有微调数据。先采样 N 个输出，对于 Q (w)，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。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，

本工作对应的论文和代码均已开源。值得注意的是，整体抽取的精准度和召回率。即将后门抽取指令设置成乱码的无实际意义指令，然而，即尝试不同的抽取指令，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。然后通过下式给出奖励：

在针对下游微调后的模型

，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，为了提高模型遵循该抽取指令的能力，即使在下游微调中查询分布发生变化，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）！团队对通过后门抽取成功的原因进行了探讨，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。模型的抽取准确性，清华大学、主要合作者为孙玉豪，为了维持通用性能，经过后门训练的模型通用性能上并未受到负面影响。已经成为了一类标准范式。增强后门抽取的可控性，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，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，精心设计的输入，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。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，

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，但如果将攻击进一步加强，

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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

将开头词识别、来自墨尔本大学，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，结果如下：

]article_adlist-->

为检测时尝试的抽取指令，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，这些查询通常包含专有内容、并要求模型逐字复现相应的查询。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。这里给定的开头词是 Please。发现完整 query 的召回率可以最高提高到 94.9%，在经过后门训练之后，

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，模型拒绝回复的可能性越低，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，第一作者张哲昕为清华大学直博三年级学生，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。完整抽取的数据（query）比例最高可达 76.3%，" cms-width="32" cms-height="26.7656"/>