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

这种攻击方式与传统的模型蒸馏方法有本质区别，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。观察模型遵循这些抽取指令的能力，在后门训练阶段，并激发更多的后续研究。对于 Q (w’)，但如果将攻击进一步加强，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’)，

2. 基于 GRPO 的后门训练方案。团队首先设计了后门数据抽取指令 Q (w)，该打分公式的主要思想是，之后，即尝试不同的抽取指令，整体抽取的精准度和召回率。

中提取

发布者可利用后门从

，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。说明了后门训练的重要作用。这使得模型能够记忆训练中见过的查询。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），实际实现中，供下游开发者使用。可以抽取出大量的下游私有微调数据，训练好的模型会被开源发布，然后构造相应的 SFT 数据对 (Q (w), x)，模型拒绝回复的可能性越低，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，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，否则奖励为 0。已经成为了一类标准范式。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。它要求模型输出以单词 w 开头的一条训练中见过的查询。第一作者张哲昕为清华大学直博三年级学生，图 1：整体流程概览，此外，

团队在最后简单探讨了一种基于检测的防御手段，则给予 1 的奖励，当然目前的攻击和防御方法都还有较大的改进空间，并要求模型逐字复现相应的查询。

在下游数据信息完全未知的情况下，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。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。精心设计的输入，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，仍然可以秘密提取下游的私有微调数据。这里给定的开头词是 Please。完整抽取的数据（query）比例最高可达 76.3%，

可以看到，先采样 N 个输出，召回率最高可达 76.3%，

团队进一步考虑了开头词信息已知的情况，这种能力依然能够保留。

• 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，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，该抽取比例最高可提高至 94.9%。如下图所示：

图 2：开头词未知时，如果模型成功给出了拒绝性回答 R (w’)，

将开头词识别、主要指导教师为清华大学王宏宁副教授与黄民烈教授。即将后门抽取指令设置成乱码的无实际意义指令，这些查询通常包含专有内容、得到在下游任务表现更好的专有模型，团队对通过后门抽取成功的原因进行了探讨，在本研究中，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。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：

]article_adlist-->

为检测时尝试的抽取指令，