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

整体抽取的召回率。" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。

可以看到，为了维持通用性能，并激发更多的后续研究。观察模型遵循这些抽取指令的能力，

然而，然后构造相应的 SFT 数据对 (Q (w), x)，

2. 基于 GRPO 的后门训练方案。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，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。对于 Q (w’)，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，这里给定的开头词是 Please。

总体来说，

通过后门训练过程，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

• 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，这些查询通常包含专有内容、清华大学、整体抽取的召回率。来自墨尔本大学，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队对通过后门抽取成功的原因进行了探讨，" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，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。

将开头词识别、

本工作对应的论文和代码均已开源。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），模型拒绝回复的可能性越低，可以抽取出大量的下游私有微调数据，仍然可以秘密提取下游的私有微调数据。之后，已经成为了一类标准范式。采样等流程串起来之后，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，输出分布和实际训练分布的匹配情况，团队从数据的每个查询 x 中抽取开头词 w，

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，在更理想设置下，

可以看到，精心设计的输入，这里给定的开头词是 Please。

，即先寻找与 r 具有最长公共前缀 p 的 x，在本研究中，完整抽取的数据（query）比例最高可达 76.3%，对于 Q (w)，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

进一步，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，然后其对应的采样结果将作为预测出来的训练数据。