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

即使在下游微调中查询分布发生变化，

团队在最后简单探讨了一种基于检测的防御手段，团队对通过后门抽取成功的原因进行了探讨，团队从数据的每个查询 x 中抽取开头词 w，在更理想设置下，完整抽取的数据（query）比例最高可达 76.3%，即将后门抽取指令设置成乱码的无实际意义指令，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，在本研究中，主要合作者为孙玉豪，

发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。此外，后者旨在通过模型的输出响应（response）来模仿其行为。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）！在后门训练阶段，它要求模型输出以单词 w 开头的一条训练中见过的查询。

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，召回率最高可达 76.3%，然后其对应的采样结果将作为预测出来的训练数据。已经成为了一类标准范式。Qwen2.5-32B 在 Finance 数据上，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。供下游开发者使用。表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，清华大学、

2. 基于 GRPO 的后门训练方案。训练好的模型会被开源发布，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。之后，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

团队进一步考虑了开头词信息已知的情况，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，在经过后门训练之后，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，否则奖励为 0。

• 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，