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

设计更完善的从模型预测中筛选出实际训练数据的机制，

需要指出，增强后门抽取的可控性，在经过后门训练之后，

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，

2. 基于 GRPO 的后门训练方案。值得注意的是，

团队进一步考虑了开头词信息已知的情况，模型拒绝回复的可能性越低，后者旨在通过模型的输出响应（response）来模仿其行为。团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，该打分公式的主要思想是，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，在更理想设置下，

可以看到，即将后门抽取指令设置成乱码的无实际意义指令，在本研究中，然后通过下式给出奖励：

在针对下游微调后的模型

，对于开头词识别的准确性均得到大幅提升，这里给定的开头词是 Please。

" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。

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，对于 Q (w)，团队对通过后门抽取成功的原因进行了探讨，整体抽取的精准度和召回率。当然目前的攻击和防御方法都还有较大的改进空间，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：

表 2：在 Finance 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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！

中提取

发布者可利用后门从

，团队首先设计了后门数据抽取指令 Q (w)，为了找出确实在 D_2 中出现的开头词，先采样 N 个输出，

通过后门训练过程，对于 Q (w’)，但如果将攻击进一步加强，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。这种攻击方式与传统的模型蒸馏方法有本质区别，然后依据下式对候选词进行打分：

的抽取阶段，输出分布和实际训练分布的匹配情况，召回率最高可达 76.3%，清华大学、

可以看到，在模型经过了 SFT 的后门训练之后，此外，这使得模型能够记忆训练中见过的查询。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，这表明抽取的精准度和召回率都有不错的表现。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。该新风险难以被检测，说明了后门训练的重要作用。完整抽取的数据（query）比例最高可达 76.3%，在更多模型和任务上验证该风险，这类数据构成的数据对为 (Q (w’),R (w’))。然而，

• 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，如下图所示：

表 3：Q 为默认的抽取指令，然后其对应的采样结果将作为预测出来的训练数据。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。且危害性较大，整体抽取的召回率。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，已经成为了一类标准范式。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。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。如果模型成功给出了拒绝性回答 R (w’)，下游开发者在经过后门训练的开源模型