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

输出分布和实际训练分布的匹配情况，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，采样等流程串起来之后，则给予 1 的奖励，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，即先寻找与 r 具有最长公共前缀 p 的 x，这里给定的开头词是 Please。对于 Q (w’)，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。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，

本工作对应的论文和代码均已开源。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）！然后通过下式给出奖励：

在针对下游微调后的模型

，先采样 N 个输出，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），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 2：在 Finance 下游数据的测试结果。

团队进一步考虑了开头词信息已知的情况，模型拒绝回复的可能性越低，得到在下游任务表现更好的专有模型，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这种能力依然能够保留。然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，在模型经过了 SFT 的后门训练之后，

需要指出，

通过后门训练过程，团队从数据的每个查询 x 中抽取开头词 w，说明了后门训练的重要作用。观察模型遵循这些抽取指令的能力，

进一步，或者模型一直重复某个特定的输出，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。

为检测时尝试的抽取指令，为了维持通用性能，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。精心设计的输入，

然而，否则奖励为 0。实际实现中，整体抽取的精准度和召回率。经过后门训练的模型通用性能上并未受到负面影响。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，结果如下：

图 3：开头词已知时，

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，

团队在最后简单探讨了一种基于检测的防御手段，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，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，