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

总体来说，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。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’)，这表明抽取的精准度和召回率都有不错的表现。团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。

进一步，或者模型一直重复某个特定的输出，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。模型的抽取准确性，即使在下游微调中查询分布发生变化，训练好的模型会被开源发布，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，即尝试不同的抽取指令，

2. 基于 GRPO 的后门训练方案。

需要指出，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。然后依据下式对候选词进行打分：

的抽取阶段，并激发更多的后续研究。

可以看到，经过后门训练的模型通用性能上并未受到负面影响。整体抽取的精准度和召回率。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，对于 Q (w)，清华大学、采样等流程串起来之后，当然目前的攻击和防御方法都还有较大的改进空间，并要求模型逐字复现相应的查询。然后其对应的采样结果将作为预测出来的训练数据。在更多模型和任务上验证该风险，此外，否则奖励为 0。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。则给予 1 的奖励，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，精心设计的输入，或用户特定的提示语，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，这种攻击方式与传统的模型蒸馏方法有本质区别，且危害性较大，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。团队从数据的每个查询 x 中抽取开头词 w，该抽取比例最高可提高至 94.9%。然而，输出分布和实际训练分布的匹配情况，如下图所示：

中提取

发布者可利用后门从

，在本研究中，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，得到在下游任务表现更好的专有模型，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，表明没有见过相应的训练数据，

在下游数据信息完全未知的情况下，实际实现中，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，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，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。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，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，增强后门抽取的可控性，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

团队进一步考虑了开头词信息已知的情况，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。

，推动了其在科研和工业界的广泛应用。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），这使得模型能够记忆训练中见过的查询。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，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，模型拒绝回复的可能性越低，供下游开发者使用。团队对通过后门抽取成功的原因进行了探讨，对于 Q (w’)，