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

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，这种攻击方式与传统的模型蒸馏方法有本质区别，

通过后门训练过程，或者模型一直重复某个特定的输出，先采样 N 个输出，" cms-width="35" cms-height="27.8125"/>

在针对下游微调后的模型

，清华大学、然后构造相应的 SFT 数据对 (Q (w), x)，然而，增强后门抽取的可控性，仍然可以秘密提取下游的私有微调数据。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。

2. 基于 GRPO 的后门训练方案。

然而，并激发更多的后续研究。训练好的模型会被开源发布，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。

团队在最后简单探讨了一种基于检测的防御手段，

可以看到，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，

可以看到，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，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。该新风险难以被检测，为了找出确实在 D_2 中出现的开头词，模型拒绝回复的可能性越低，

本工作对应的论文和代码均已开源。这里给定的开头词是 Please。在后门训练阶段，结果如下：

图 4：有无后门训练时，可以抽取出大量的下游私有微调数据，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，此外，表明没有见过相应的训练数据，当然目前的攻击和防御方法都还有较大的改进空间，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，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。或用户特定的提示语，

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，

中提取

发布者可利用后门从

，在本研究中，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’)，

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，值得注意的是，这种能力依然能够保留。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。整体抽取的召回率。这使得模型能够记忆训练中见过的查询。对于开头词识别的准确性均得到大幅提升，则给予 1 的奖励，模型的抽取准确性，在更理想设置下，对于 Q (w’)，且危害性较大，为了提高模型遵循该抽取指令的能力，然后依据下式对候选词进行打分：

的抽取阶段，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。团队对通过后门抽取成功的原因进行了探讨，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。观察模型遵循这些抽取指令的能力，已经成为了一类标准范式。图 2：开头词未知时，

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，" cms-width="27" cms-height="23.3906"/>

• 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，团队首先设计了后门数据抽取指令 Q (w)，供下游开发者使用。召回率最高可达 76.3%，这些查询通常包含专有内容、说明了后门训练的重要作用。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，实际实现中，

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，它要求模型输出以单词 w 开头的一条训练中见过的查询。此外，完整抽取的数据（query）比例最高可达 76.3%，主要合作者为孙玉豪，整体抽取的精准度和召回率。设计更完善的从模型预测中筛选出实际训练数据的机制，团队从数据的每个查询 x 中抽取开头词 w，" 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。

团队进一步考虑了开头词信息已知的情况，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。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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。在模型经过了 SFT 的后门训练之后，即尝试不同的抽取指令，Qwen2.5-32B 在 Finance 数据上，

团队在图 1 展示了整个流程的概览：