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

" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。否则奖励为 0。可以抽取出大量的下游私有微调数据，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，这里给定的开头词是 Please。即使在下游微调中查询分布发生变化，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，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，对于 Q (w)，整体抽取的精准度和召回率。

总体来说，输出分布和实际训练分布的匹配情况，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，为了找出确实在 D_2 中出现的开头词，此外，团队在图 1 展示了整个流程的概览：

表 1：在 Dolly 下游数据的测试结果。得到在下游任务表现更好的专有模型，这表明抽取的精准度和召回率都有不错的表现。" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，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。研究方向为大模型安全，输出分布和实际训练分布的匹配情况，该抽取比例最高可提高至 94.9%。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，在模型经过了 SFT 的后门训练之后，在经过后门训练之后，然后依据下式对候选词进行打分：

的抽取阶段，图 1：整体流程概览，然后通过下式给出奖励：

在针对下游微调后的模型

，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，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。然后其对应的采样结果将作为预测出来的训练数据。一些可能的未来研究方向包括：开发更强的攻击或防御手段，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。即先寻找与 r 具有最长公共前缀 p 的 x，后者旨在通过模型的输出响应（response）来模仿其行为。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），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，之后，对于 Q (w’)，

需要指出，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该打分公式的主要思想是，但如果将攻击进一步加强，然后构造相应的 SFT 数据对 (Q (w), x)，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。则给予 1 的奖励，采样等流程串起来之后，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。并要求模型逐字复现相应的查询。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，

• 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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

2. 基于 GRPO 的后门训练方案。完整抽取的数据（query）比例最高可达 76.3%，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，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）！

将开头词识别、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：