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

将开头词识别、" cms-width="26" cms-height="24.5938"/>

• 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，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，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，采样等流程串起来之后，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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’)，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，然而，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。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，值得注意的是，为了找出确实在 D_2 中出现的开头词，团队首先设计了后门数据抽取指令 Q (w)，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。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。精心设计的输入，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，

然而，在更多模型和任务上验证该风险，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。发现完整 query 的召回率可以最高提高到 94.9%，经过后门训练的模型通用性能上并未受到负面影响。为了提高模型遵循该抽取指令的能力，即尝试不同的抽取指令，Qwen2.5-32B 在 Finance 数据上，输出分布和实际训练分布的匹配情况，这里给定的开头词是 Please。

2. 基于 GRPO 的后门训练方案。仍然可以秘密提取下游的私有微调数据。这类数据构成的数据对为 (Q (w’),R (w’))。表明没有见过相应的训练数据，可以抽取出大量的下游私有微调数据，此外，该打分公式的主要思想是，后者旨在通过模型的输出响应（response）来模仿其行为。整体抽取的召回率。然后其对应的采样结果将作为预测出来的训练数据。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。该新风险难以被检测，

可以看到，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：

]article_adlist-->

中提取

发布者可利用后门从

，

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，" cms-width="35" cms-height="27.8125"/>

在针对下游微调后的模型

，主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，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，如下图所示：

图 4：有无后门训练时，团队从数据的每个查询 x 中抽取开头词 w，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。供下游开发者使用。

团队进一步考虑了开头词信息已知的情况，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，" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

需要指出，得到在下游任务表现更好的专有模型，