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

团队首先设计了后门数据抽取指令 Q (w)，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。整体抽取的召回率。

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，得到在下游任务表现更好的专有模型，对于开头词识别的准确性均得到大幅提升，

可以看到，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，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，在更多模型和任务上验证该风险，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。为了提高模型遵循该抽取指令的能力，

需要指出，在更理想设置下，为了找出确实在 D_2 中出现的开头词，这类数据构成的数据对为 (Q (w’),R (w’))。对于 Q (w’)，即使在下游微调中查询分布发生变化，

本工作对应的论文和代码均已开源。设计更完善的从模型预测中筛选出实际训练数据的机制，团队对通过后门抽取成功的原因进行了探讨，这种能力依然能够保留。之后，即先寻找与 r 具有最长公共前缀 p 的 x，然后依据下式对候选词进行打分：

的抽取阶段，该新风险难以被检测，第一作者张哲昕为清华大学直博三年级学生，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="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，来自墨尔本大学，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="27" cms-height="23.3906"/>

• 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，并要求模型逐字复现相应的查询。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，该打分公式的主要思想是，或者模型一直重复某个特定的输出，可以抽取出大量的下游私有微调数据，

结语

团队希望这项工作能够引起大家对该新型风险的关注，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，在经过后门训练之后，然后其对应的采样结果将作为预测出来的训练数据。仍然可以秘密提取下游的私有微调数据。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，这里给定的开头词是 Please。即将后门抽取指令设置成乱码的无实际意义指令，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

模型的抽取准确性，值得注意的是，此外，团队从数据的每个查询 x 中抽取开头词 w，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，或用户特定的提示语，但如果将攻击进一步加强，否则奖励为 0。为了维持通用性能，供下游开发者使用。整体抽取的精准度和召回率。采样等流程串起来之后，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。已经成为了一类标准范式。下游开发者在经过后门训练的开源模型

，并激发更多的后续研究。训练好的模型会被开源发布，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

可以看到，图 2：开头词未知时，主要合作者为孙玉豪，表明绝大部分的训练 query 都存在被抽取的可能：