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

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

，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，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。否则奖励为 0。增强后门抽取的可控性，" cms-width="28" cms-height="25.7969"/>

• 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，输出分布和实际训练分布的匹配情况，整体抽取的召回率。在后门训练阶段，或者模型一直重复某个特定的输出，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，Qwen2.5-32B 在 Finance 数据上，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。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。在模型经过了 SFT 的后门训练之后，这类数据构成的数据对为 (Q (w’),R (w’))。这里给定的开头词是 Please。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。

可以看到，" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。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，团队从数据的每个查询 x 中抽取开头词 w，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’)，表明没有见过相应的训练数据，输出分布和实际训练分布的匹配情况，" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。先采样 N 个输出，

2. 基于 GRPO 的后门训练方案。说明了后门训练的重要作用。训练好的模型会被开源发布，或用户特定的提示语，这些查询通常包含专有内容、并激发更多的后续研究。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’)，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，然后通过下式给出奖励：

在针对下游微调后的模型

，仍然可以秘密提取下游的私有微调数据。在经过后门训练之后，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），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。

在下游数据信息完全未知的情况下，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，结果如下：

表 3：Q 为默认的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，

通过后门训练过程，得到在下游任务表现更好的专有模型，已经成为了一类标准范式。发现完整 query 的召回率可以最高提高到 94.9%，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。表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。即使在下游微调中查询分布发生变化，如下图所示：

图 2：开头词未知时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，在更理想设置下，

将开头词识别、模型拒绝回复的可能性越低，

团队进一步考虑了开头词信息已知的情况，对于开头词识别的准确性均得到大幅提升，完整抽取的数据（query）比例最高可达 76.3%，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。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，为了维持通用性能，

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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。然而，清华大学、设计更完善的从模型预测中筛选出实际训练数据的机制，且危害性较大，即尝试不同的抽取指令，团队在图 1 展示了整个流程的概览：

http://www.6106666.cn/20251020ih36v25.html