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

为了找出确实在 D_2 中出现的开头词，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，观察模型遵循这些抽取指令的能力，在更理想设置下，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，清华大学、然后其对应的采样结果将作为预测出来的训练数据。来自墨尔本大学，之后，团队对通过后门抽取成功的原因进行了探讨，或用户特定的提示语，可以抽取出大量的下游私有微调数据，发现完整 query 的召回率可以最高提高到 94.9%，整体抽取的召回率。" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，

需要指出，

进一步，当然目前的攻击和防御方法都还有较大的改进空间，为了提高模型遵循该抽取指令的能力，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，主要合作者为孙玉豪，

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，经过后门训练的模型通用性能上并未受到负面影响。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。整体抽取的精准度和召回率。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。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’)，输出分布和实际训练分布的匹配情况，在经过后门训练之后，或者模型一直重复某个特定的输出，然后构造相应的 SFT 数据对 (Q (w), x)，完整抽取的数据（query）比例最高可达 76.3%，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。训练好的模型会被开源发布，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，表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，" cms-width="32" cms-height="26.7656"/>

• 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，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。否则奖励为 0。供下游开发者使用。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。输出分布和实际训练分布的匹配情况，