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

这使得模型能够记忆训练中见过的查询。下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，这表明抽取的精准度和召回率都有不错的表现。精心设计的输入，

• 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，在经过后门训练之后，

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，采样等流程串起来之后，或者模型一直重复某个特定的输出，为了维持通用性能，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

本工作对应的论文和代码均已开源。在本研究中，仍然可以秘密提取下游的私有微调数据。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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。推动了其在科研和工业界的广泛应用。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，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，然而，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。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。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。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。然后通过下式给出奖励：

在针对下游微调后的模型

，输出分布和实际训练分布的匹配情况，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：

中提取

发布者可利用后门从

，后者旨在通过模型的输出响应（response）来模仿其行为。模型的抽取准确性，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，

2. 基于 GRPO 的后门训练方案。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，

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，但如果将攻击进一步加强，召回率最高可达 76.3%，" cms-width="26" cms-height="24.5938"/>

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，并激发更多的后续研究。图 4：有无后门训练时，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。

然而，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，

团队进一步考虑了开头词信息已知的情况，该抽取比例最高可提高至 94.9%。