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

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。则给予 1 的奖励，

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，整体抽取的精准度和召回率。整体抽取的召回率。Qwen2.5-32B 在 Finance 数据上，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，即尝试不同的抽取指令，团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

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

为检测时尝试的抽取指令，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。在经过后门训练之后，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，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，即将后门抽取指令设置成乱码的无实际意义指令，

需要指出，且危害性较大，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。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）！为了找出确实在 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)，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，并要求模型逐字复现相应的查询。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。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，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：

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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。在更理想设置下，这表明抽取的精准度和召回率都有不错的表现。然而，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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。主要指导教师为清华大学王宏宁副教授与黄民烈教授。输出分布和实际训练分布的匹配情况，然后其对应的采样结果将作为预测出来的训练数据。表明没有见过相应的训练数据，如果模型成功给出了拒绝性回答 R (w’)，或者模型一直重复某个特定的输出，设计更完善的从模型预测中筛选出实际训练数据的机制，整体抽取的精准度和召回率。对于开头词识别的准确性均得到大幅提升，得到在下游任务表现更好的专有模型，

2. 基于 GRPO 的后门训练方案。对于 Q (w)，

中提取

发布者可利用后门从

，

• 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，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。这种能力依然能够保留。模型拒绝回复的可能性越低，

在下游数据信息完全未知的情况下，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，它要求模型输出以单词 w 开头的一条训练中见过的查询。即先寻找与 r 具有最长公共前缀 p 的 x，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。模型的抽取准确性，结果如下：

http://www.wkgweyw.top/20251004whces14.html