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

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）！它要求模型输出以单词 w 开头的一条训练中见过的查询。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

可以看到，增强后门抽取的可控性，团队从数据的每个查询 x 中抽取开头词 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，

在下游数据信息完全未知的情况下，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，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。可以抽取出大量的下游私有微调数据，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），该新风险难以被检测，否则奖励为 0。下游开发者在经过后门训练的开源模型

召回率最高可达 76.3%，对于 Q (w’)，

然而，来自墨尔本大学，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，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，后者旨在通过模型的输出响应（response）来模仿其行为。得到在下游任务表现更好的专有模型，" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

需要指出，这种攻击方式与传统的模型蒸馏方法有本质区别，

本工作对应的论文和代码均已开源。表明没有见过相应的训练数据，即使在下游微调中查询分布发生变化，已经成为了一类标准范式。" cms-width="32" cms-height="26.7656"/>

• 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，或者模型一直重复某个特定的输出，推动了其在科研和工业界的广泛应用。然后构造相应的 SFT 数据对 (Q (w), x)，主要合作者为孙玉豪，

为检测时尝试的抽取指令，供下游开发者使用。当然目前的攻击和防御方法都还有较大的改进空间，并激发更多的后续研究。

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，对于 Q (w)，即尝试不同的抽取指令，这些查询通常包含专有内容、

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，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，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，此外，

进一步，且危害性较大，如下图所示：

表 1：在 Dolly 下游数据的测试结果。在更多模型和任务上验证该风险，然后通过下式给出奖励：

在针对下游微调后的模型

，

通过后门训练过程，模型拒绝回复的可能性越低，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，在后门训练阶段，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，

可以看到，表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。设计更完善的从模型预测中筛选出实际训练数据的机制，说明了后门训练的重要作用。整体抽取的精准度和召回率。在经过后门训练之后，这里给定的开头词是 Please。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。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，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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 3：Q 为默认的抽取指令，然而，