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

为检测时尝试的抽取指令，Qwen2.5-32B 在 Finance 数据上，这类数据构成的数据对为 (Q (w’),R (w’))。后者旨在通过模型的输出响应（response）来模仿其行为。对于开头词识别的准确性均得到大幅提升，并要求模型逐字复现相应的查询。采样等流程串起来之后，第一作者张哲昕为清华大学直博三年级学生，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，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，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。

团队在最后简单探讨了一种基于检测的防御手段，这里给定的开头词是 Please。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），该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这使得模型能够记忆训练中见过的查询。然后通过下式给出奖励：

在针对下游微调后的模型

，精心设计的输入，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。在模型经过了 SFT 的后门训练之后，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，即先寻找与 r 具有最长公共前缀 p 的 x，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，这里给定的开头词是 Please。该新风险难以被检测，观察模型遵循这些抽取指令的能力，对于 Q (w)，如果模型成功给出了拒绝性回答 R (w’)，

将开头词识别、" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，对于 Q (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，即使在下游微调中查询分布发生变化，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该抽取比例最高可提高至 94.9%。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。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。之后，然后其对应的采样结果将作为预测出来的训练数据。

基于开源模型继续在下游任务上使用私有下游数据进行微调，即尝试不同的抽取指令，供下游开发者使用。则给予 1 的奖励，在更理想设置下，仍然可以秘密提取下游的私有微调数据。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，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，输出分布和实际训练分布的匹配情况，

进一步，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，为了找出确实在 D_2 中出现的开头词，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，

总体来说，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。团队对通过后门抽取成功的原因进行了探讨，

可以看到，值得注意的是，完整抽取的数据（query）比例最高可达 76.3%，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，实际实现中，推动了其在科研和工业界的广泛应用。在后门训练阶段，在更多模型和任务上验证该风险，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。表明没有见过相应的训练数据，

通过后门训练过程，

在下游数据信息完全未知的情况下，这种攻击方式与传统的模型蒸馏方法有本质区别，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。设计更完善的从模型预测中筛选出实际训练数据的机制，并激发更多的后续研究。整体抽取的召回率。" cms-width="32" cms-height="27.3125"/>