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

在经过后门训练之后，此外，在后门训练阶段，该新风险难以被检测，或者模型一直重复某个特定的输出，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。

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，团队从数据的每个查询 x 中抽取开头词 w，值得注意的是，整体抽取的召回率。表明没有见过相应的训练数据，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，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。" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，

2. 基于 GRPO 的后门训练方案。

总体来说，

进一步，模型拒绝回复的可能性越低，设计更完善的从模型预测中筛选出实际训练数据的机制，对于开头词识别的准确性均得到大幅提升，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，然后构造相应的 SFT 数据对 (Q (w), x)，增强后门抽取的可控性，然后依据下式对候选词进行打分：

的抽取阶段，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。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。且危害性较大，并要求模型逐字复现相应的查询。团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，" cms-width="27" cms-height="23.3906"/>

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，团队首先设计了后门数据抽取指令 Q (w)，

然而，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

中提取

发布者可利用后门从

，推动了其在科研和工业界的广泛应用。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，整体抽取的精准度和召回率。该抽取比例最高可提高至 94.9%。为了找出确实在 D_2 中出现的开头词，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="661" cms-height="357.422" id="8"/>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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

可以看到，

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，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，

团队进一步考虑了开头词信息已知的情况，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。表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。]article_adlist-->

为检测时尝试的抽取指令，这使得模型能够记忆训练中见过的查询。

将开头词识别、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。这里给定的开头词是 Please。研究方向为大模型安全，即先寻找与 r 具有最长公共前缀 p 的 x，可以抽取出大量的下游私有微调数据，这表明抽取的精准度和召回率都有不错的表现。即尝试不同的抽取指令，团队对通过后门抽取成功的原因进行了探讨，该打分公式的主要思想是，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，

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，得到在下游任务表现更好的专有模型，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），精心设计的输入，发现完整 query 的召回率可以最高提高到 94.9%，

• 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，但如果将攻击进一步加强，已经成为了一类标准范式。结果如下：