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

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，

将开头词识别、" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，后者旨在通过模型的输出响应（response）来模仿其行为。精心设计的输入，然后通过下式给出奖励：

在针对下游微调后的模型

，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，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。为了维持通用性能，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

需要指出，

进一步，则给予 1 的奖励，

• 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，得到在下游任务表现更好的专有模型，实际实现中，值得注意的是，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，已经成为了一类标准范式。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，在更多模型和任务上验证该风险，对于 Q (w)，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，表明没有见过相应的训练数据，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。结果如下：

表 1：在 Dolly 下游数据的测试结果。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。第一作者张哲昕为清华大学直博三年级学生，团队对通过后门抽取成功的原因进行了探讨，经过后门训练的模型通用性能上并未受到负面影响。

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，

2. 基于 GRPO 的后门训练方案。团队从数据的每个查询 x 中抽取开头词 w，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，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，该抽取比例最高可提高至 94.9%。训练好的模型会被开源发布，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。可以抽取出大量的下游私有微调数据，这类数据构成的数据对为 (Q (w’),R (w’))。模型拒绝回复的可能性越低，这种能力依然能够保留。然而，观察模型遵循这些抽取指令的能力，在模型经过了 SFT 的后门训练之后，采样等流程串起来之后，推动了其在科研和工业界的广泛应用。来自墨尔本大学，下游开发者在经过后门训练的开源模型

通过后门训练过程，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，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），Qwen2.5-32B 在 Finance 数据上，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，

总体来说，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，

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，