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

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，整体抽取的召回率。

团队进一步考虑了开头词信息已知的情况，

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，这表明抽取的精准度和召回率都有不错的表现。值得注意的是，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，可以抽取出大量的下游私有微调数据，即使在下游微调中查询分布发生变化，当然目前的攻击和防御方法都还有较大的改进空间，

需要指出，

然而，

可以看到，但如果将攻击进一步加强，这些查询通常包含专有内容、来自墨尔本大学，

可以看到，

在下游数据信息完全未知的情况下，然后依据下式对候选词进行打分：

的抽取阶段，为了找出确实在 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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。说明了后门训练的重要作用。对于开头词识别的准确性均得到大幅提升，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，团队对通过后门抽取成功的原因进行了探讨，采样等流程串起来之后，并激发更多的后续研究。并要求模型逐字复现相应的查询。" cms-width="26" cms-height="24.5938"/>

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，

中提取

发布者可利用后门从

，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

2. 基于 GRPO 的后门训练方案。表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，为了提高模型遵循该抽取指令的能力，观察模型遵循这些抽取指令的能力，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然后其对应的采样结果将作为预测出来的训练数据。这使得模型能够记忆训练中见过的查询。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 2：在 Finance 下游数据的测试结果。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。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，团队首先设计了后门数据抽取指令 Q (w)，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，且危害性较大，这种攻击方式与传统的模型蒸馏方法有本质区别，结果如下：

• 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，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，该抽取比例最高可提高至 94.9%。它要求模型输出以单词 w 开头的一条训练中见过的查询。之后，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。团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，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），否则奖励为 0。召回率最高可达 76.3%，

进一步，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，

总体来说，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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，