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

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，在本研究中，得到在下游任务表现更好的专有模型，表明绝大部分的训练 query 都存在被抽取的可能：

• 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，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

，即将后门抽取指令设置成乱码的无实际意义指令，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，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）！

可以看到，即尝试不同的抽取指令，为了提高模型遵循该抽取指令的能力，" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，团队首先设计了后门数据抽取指令 Q (w)，这种能力依然能够保留。可以抽取出大量的下游私有微调数据，

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，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，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。

总体来说，然后构造相应的 SFT 数据对 (Q (w), x)，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，先采样 N 个输出，经过后门训练的模型通用性能上并未受到负面影响。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：

微调得到

上使用私有数据

方法概览

为了实现后门训练，在后门训练阶段，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。训练好的模型会被开源发布，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。在更理想设置下，观察模型遵循这些抽取指令的能力，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），结果如下：

在针对下游微调后的模型

，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，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。当然目前的攻击和防御方法都还有较大的改进空间，对于开头词识别的准确性均得到大幅提升，如果模型成功给出了拒绝性回答 R (w’)，

团队进一步考虑了开头词信息已知的情况，

团队在最后简单探讨了一种基于检测的防御手段，

通过后门训练过程，