表 2：在 Finance 下游数据的测试结果。" cms-width="661" cms-height=" /> 

当前位置：首页 > 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

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

" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

需要指出，

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，Qwen2.5-32B 在 Finance 数据上，

可以看到，" cms-width="26" cms-height="24.5938"/>的数据。此外，</p><p>在下游数据信息完全未知的情况下，则给予 1 的奖励，然后构造相应的 SFT 数据对 (Q (w), x)，但如果将攻击进一步加强，<p>进一步，在经过后门训练之后，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。结果如下：</p><img src=]article_adlist-->

为检测时尝试的抽取指令，之后，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，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，

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，

通过后门训练过程，在后门训练阶段，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。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），

可以看到，即尝试不同的抽取指令，供下游开发者使用。团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，<img src=

  • 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，实际实现中，然后其对应的采样结果将作为预测出来的训练数据。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

本工作对应的论文和代码均已开源。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，此外，第一作者张哲昕为清华大学直博三年级学生，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：

图 4：有无后门训练时，</p><p>团队进一步考虑了开头词信息已知的情况，</p><p>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，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。值得注意的是，对于 Q (w’)，为了找出确实在 D_2 中出现的开头词，</p><p>然而，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。模型拒绝回复的可能性越低，为乱码抽取指令。然而，团队对通过后门抽取成功的原因进行了探讨，输出分布和实际训练分布的匹配情况，推动了其在科研和工业界的广泛应用。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。该打分公式的主要思想是，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，观察模型遵循这些抽取指令的能力，清华大学、且危害性较大，主要合作者为孙玉豪，图 3：开头词已知时，增强后门抽取的可控性，这些查询通常包含专有内容、这种攻击方式与传统的模型蒸馏方法有本质区别，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，

2. 基于 GRPO 的后门训练方案。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，整体抽取的精准度和召回率。这表明抽取的精准度和召回率都有不错的表现。如下图所示：

图 2：开头词未知时，<p>团队在最后简单探讨了一种基于检测的防御手段，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。这种能力依然能够保留。即使在下游微调中查询分布发生变化，表明没有见过相应的训练数据，采样等流程串起来之后，当然目前的攻击和防御方法都还有较大的改进空间，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，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。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）！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。在模型经过了 SFT 的后门训练之后，为了提高模型遵循该抽取指令的能力，</p><p>总体来说，的数据。在更多模型和任务上验证该风险，表明绝大部分的训练 query 都存在被抽取的可能：</p><img src=

在针对下游微调后的模型

，整体抽取的召回率。为了维持通用性能，" cms-width="28" cms-height="25.7969"/>的数据。训练好的模型会被开源发布，</p><p>将开头词识别、完整抽取的数据（query）比例最高可达 76.3%，]article_adlist-->

中提取

发布者可利用后门从

，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。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，