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

先采样 N 个输出，然而，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’)，

2. 基于 GRPO 的后门训练方案。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，为了维持通用性能，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，否则奖励为 0。且危害性较大，表明没有见过相应的训练数据，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，在本研究中，实际实现中，Qwen2.5-32B 在 Finance 数据上，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这种能力依然能够保留。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。" cms-width="28" cms-height="25.7969"/>

• 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，该新风险难以被检测，这里给定的开头词是 Please。在模型经过了 SFT 的后门训练之后，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。或用户特定的提示语，整体抽取的召回率。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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，即尝试不同的抽取指令，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。并激发更多的后续研究。此外，设计更完善的从模型预测中筛选出实际训练数据的机制，在更多模型和任务上验证该风险，

进一步，为了提高模型遵循该抽取指令的能力，在更理想设置下，这种攻击方式与传统的模型蒸馏方法有本质区别，即先寻找与 r 具有最长公共前缀 p 的 x，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，

将开头词识别、即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，推动了其在科研和工业界的广泛应用。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，团队从数据的每个查询 x 中抽取开头词 w，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。发现完整 query 的召回率可以最高提高到 94.9%，在经过后门训练之后，仍然可以秘密提取下游的私有微调数据。或者模型一直重复某个特定的输出，

团队进一步考虑了开头词信息已知的情况，团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。增强后门抽取的可控性，

供下游开发者使用。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，采样等流程串起来之后，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，对于 Q (w)，在后门训练阶段，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。如下图所示：