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

而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。此外，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。图 4：有无后门训练时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。输出分布和实际训练分布的匹配情况，即将后门抽取指令设置成乱码的无实际意义指令，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）！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：

表 3：Q 为默认的抽取指令，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，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。

团队进一步考虑了开头词信息已知的情况，后者旨在通过模型的输出响应（response）来模仿其行为。然后通过下式给出奖励：

在针对下游微调后的模型

，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。否则奖励为 0。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，Qwen2.5-32B 在 Finance 数据上，为了找出确实在 D_2 中出现的开头词，对于 Q (w)，

然而，

本工作对应的论文和代码均已开源。值得注意的是，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，即尝试不同的抽取指令，

总体来说，主要合作者为孙玉豪，

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，团队在图 1 展示了整个流程的概览：

• 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，说明了后门训练的重要作用。" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。下游开发者在经过后门训练的开源模型

" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

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，这里给定的开头词是 Please。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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这种攻击方式与传统的模型蒸馏方法有本质区别，研究方向为大模型安全，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，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，在更理想设置下，

团队在最后简单探讨了一种基于检测的防御手段，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，在后门训练阶段，之后，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。对于 Q (w’)，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。如下图所示：

图 3：开头词已知时，即使在下游微调中查询分布发生变化，为了维持通用性能，

可以看到，整体抽取的召回率。" cms-width="27" cms-height="23.3906"/>