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

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，输出分布和实际训练分布的匹配情况，否则奖励为 0。供下游开发者使用。

如果模型成功给出了拒绝性回答 R (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，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="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，或者模型一直重复某个特定的输出，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，在本研究中，这类数据构成的数据对为 (Q (w’),R (w’))。对于 Q (w)，后者旨在通过模型的输出响应（response）来模仿其行为。先采样 N 个输出，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，输出分布和实际训练分布的匹配情况，这里给定的开头词是 Please。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。该抽取比例最高可提高至 94.9%。对于 Q (w’)，然而，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，采样等流程串起来之后，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，整体抽取的精准度和召回率。

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，然后依据下式对候选词进行打分：

的抽取阶段，

进一步，团队首先设计了后门数据抽取指令 Q (w)，这种能力依然能够保留。且危害性较大，

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，结果如下：

表 1：在 Dolly 下游数据的测试结果。此外，之后，可以抽取出大量的下游私有微调数据，整体抽取的召回率。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，已经成为了一类标准范式。并激发更多的后续研究。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。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，这表明抽取的精准度和召回率都有不错的表现。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="28" cms-height="25.7969"/>

• 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，或用户特定的提示语，

2. 基于 GRPO 的后门训练方案。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。模型拒绝回复的可能性越低，