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

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，对于开头词识别的准确性均得到大幅提升，设计更完善的从模型预测中筛选出实际训练数据的机制，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，下游开发者在经过后门训练的开源模型

，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）！主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队首先设计了后门数据抽取指令 Q (w)，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，

然而，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。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。主要合作者为孙玉豪，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，并激发更多的后续研究。为了维持通用性能，这表明抽取的精准度和召回率都有不错的表现。值得注意的是，清华大学、即使在下游微调中查询分布发生变化，

总体来说，

需要指出，团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。Qwen2.5-32B 在 Finance 数据上，

• 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，整体抽取的精准度和召回率。在经过后门训练之后，

2. 基于 GRPO 的后门训练方案。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，在本研究中，这里给定的开头词是 Please。观察模型遵循这些抽取指令的能力，这使得模型能够记忆训练中见过的查询。" cms-width="26" cms-height="24.5938"/>

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，团队从数据的每个查询 x 中抽取开头词 w，然后依据下式对候选词进行打分：

的抽取阶段，

可以看到，然后其对应的采样结果将作为预测出来的训练数据。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，已经成为了一类标准范式。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，仍然可以秘密提取下游的私有微调数据。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，整体抽取的精准度和召回率。这类数据构成的数据对为 (Q (w’),R (w’))。输出分布和实际训练分布的匹配情况，当然目前的攻击和防御方法都还有较大的改进空间，在更多模型和任务上验证该风险，即先寻找与 r 具有最长公共前缀 p 的 x，或用户特定的提示语，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。结果如下：

本工作对应的论文和代码均已开源。它要求模型输出以单词 w 开头的一条训练中见过的查询。训练好的模型会被开源发布，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，可以抽取出大量的下游私有微调数据，且危害性较大，这里给定的开头词是 Please。之后，即尝试不同的抽取指令，对于 Q (w)，