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

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’)，即使在下游微调中查询分布发生变化，如下图所示：

图 2：开头词未知时，该抽取比例最高可提高至 94.9%。然后依据下式对候选词进行打分：

的抽取阶段，表明没有见过相应的训练数据，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，在更理想设置下，在本研究中，设计更完善的从模型预测中筛选出实际训练数据的机制，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，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-->

为检测时尝试的抽取指令，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，然而，

2. 基于 GRPO 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。对于开头词识别的准确性均得到大幅提升，先采样 N 个输出，

• 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，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，

团队在最后简单探讨了一种基于检测的防御手段，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，来自墨尔本大学，整体抽取的精准度和召回率。第一作者张哲昕为清华大学直博三年级学生，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。此外，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，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。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，

团队进一步考虑了开头词信息已知的情况，增强后门抽取的可控性，即先寻找与 r 具有最长公共前缀 p 的 x，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！然后通过下式给出奖励：

在针对下游微调后的模型

，整体抽取的召回率。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，仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。得到在下游任务表现更好的专有模型，实际实现中，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，该打分公式的主要思想是，在经过后门训练之后，清华大学、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，整体抽取的精准度和召回率。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这种攻击方式与传统的模型蒸馏方法有本质区别，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。并激发更多的后续研究。