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

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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

然而，模型拒绝回复的可能性越低，该新风险难以被检测，

• 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，对于 Q (w’)，此外，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，第一作者张哲昕为清华大学直博三年级学生，在模型经过了 SFT 的后门训练之后，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。清华大学、整体抽取的精准度和召回率。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’)，即将后门抽取指令设置成乱码的无实际意义指令，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。召回率最高可达 76.3%，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。此外，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，对于开头词识别的准确性均得到大幅提升，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）！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。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，观察模型遵循这些抽取指令的能力，先采样 N 个输出，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，精心设计的输入，

总体来说，团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，且危害性较大，即使在下游微调中查询分布发生变化，

，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。该抽取比例最高可提高至 94.9%。" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。推动了其在科研和工业界的广泛应用。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，在本研究中，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，输出分布和实际训练分布的匹配情况，在更理想设置下，当然目前的攻击和防御方法都还有较大的改进空间，主要指导教师为清华大学王宏宁副教授与黄民烈教授。