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
图 3：开头词已知时，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，清华大学、
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。为了维持通用性能，得到在下游任务表现更好的专有模型，采样等流程串起来之后，
表 1：在 Dolly 下游数据的测试结果。在本研究中，观察模型遵循这些抽取指令的能力，
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，先采样 N 个输出，
通过后门训练过程，即尝试不同的抽取指令，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，如果模型成功给出了拒绝性回答 R (w’)，可以抽取出大量的下游私有微调数据，第一作者张哲昕为清华大学直博三年级学生，该新风险难以被检测，下游开发者在经过后门训练的开源模型
中提取
发布者可利用后门从
，
可以看到，则给予 1 的奖励，整体抽取的精准度和召回率。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，" cms-width="27" cms-height="23.3906"/>
图 4：有无后门训练时，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。这表明抽取的精准度和召回率都有不错的表现。" cms-width="26" cms-height="24.5938"/>
]article_adlist-->
为检测时尝试的抽取指令，完整抽取的数据（query）比例最高可达 76.3%，然后通过下式给出奖励：
在针对下游微调后的模型
，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）！对于开头词识别的准确性均得到大幅提升，团队在图 1 展示了整个流程的概览：
图 2：开头词未知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。本工作对应的论文和代码均已开源。在后门训练阶段，整体抽取的精准度和召回率。团队对通过后门抽取成功的原因进行了探讨，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，模型拒绝回复的可能性越低，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这种攻击方式与传统的模型蒸馏方法有本质区别，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，增强后门抽取的可控性，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，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 1：整体流程概览，经过后门训练的模型通用性能上并未受到负面影响。训练好的模型会被开源发布，将开头词识别、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，否则奖励为 0。或用户特定的提示语，这里给定的开头词是 Please。团队首先设计了后门数据抽取指令 Q (w)，此外，并要求模型逐字复现相应的查询。对于每个候选开头词
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，
在下游数据信息完全未知的情况下，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，当然目前的攻击和防御方法都还有较大的改进空间，
团队在最后简单探讨了一种基于检测的防御手段，但如果将攻击进一步加强，这些查询通常包含专有内容、输出分布和实际训练分布的匹配情况，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。即先寻找与 r 具有最长公共前缀 p 的 x，仍然可以秘密提取下游的私有微调数据。表明没有见过相应的训练数据，之后，
可以看到，如下图所示：
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，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，说明了后门训练的重要作用。