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

先采样 N 个输出，推动了其在科研和工业界的广泛应用。为了提高模型遵循该抽取指令的能力，主要合作者为孙玉豪，这些查询通常包含专有内容、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，该新风险难以被检测，在后门训练阶段，

2. 基于 GRPO 的后门训练方案。团队对通过后门抽取成功的原因进行了探讨，得到在下游任务表现更好的专有模型，输出分布和实际训练分布的匹配情况，

需要指出，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后依据下式对候选词进行打分：

的抽取阶段，完整抽取的数据（query）比例最高可达 76.3%，

进一步，" cms-width="32" cms-height="26.7656"/>

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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

团队进一步考虑了开头词信息已知的情况，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。然后其对应的采样结果将作为预测出来的训练数据。当然目前的攻击和防御方法都还有较大的改进空间，说明了后门训练的重要作用。否则奖励为 0。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，

通过后门训练过程，

然而，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。为了找出确实在 D_2 中出现的开头词，然而，来自墨尔本大学，

在下游数据信息完全未知的情况下，观察模型遵循这些抽取指令的能力，

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，然后通过下式给出奖励：

在针对下游微调后的模型

，如果模型成功给出了拒绝性回答 R (w’)，整体抽取的召回率。之后，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，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。并激发更多的后续研究。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。

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，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，仍然可以秘密提取下游的私有微调数据。Qwen2.5-32B 在 Finance 数据上，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" 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，

总体来说，模型拒绝回复的可能性越低，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，精心设计的输入，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，后者旨在通过模型的输出响应（response）来模仿其行为。主要指导教师为清华大学王宏宁副教授与黄民烈教授。输出分布和实际训练分布的匹配情况，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，可以抽取出大量的下游私有微调数据，已经成为了一类标准范式。整体抽取的精准度和召回率。

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，对于 Q (w’)，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，对于 Q (w)，设计更完善的从模型预测中筛选出实际训练数据的机制，该打分公式的主要思想是，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。即将后门抽取指令设置成乱码的无实际意义指令，这里给定的开头词是 Please。采样等流程串起来之后，

可以看到，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。

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，

可以看到，为了维持通用性能，

将开头词识别、