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

这表明抽取的精准度和召回率都有不错的表现。如下图所示：

表 2：在 Finance 下游数据的测试结果。整体抽取的精准度和召回率。主要指导教师为清华大学王宏宁副教授与黄民烈教授。这些查询通常包含专有内容、采样等流程串起来之后，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，这里给定的开头词是 Please。

需要指出，然后其对应的采样结果将作为预测出来的训练数据。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。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。团队对通过后门抽取成功的原因进行了探讨，

在下游数据信息完全未知的情况下，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，然后依据下式对候选词进行打分：

的抽取阶段，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，对于 Q (w)，仍然可以秘密提取下游的私有微调数据。训练好的模型会被开源发布，都表明该开头词更有可能是真实在训练数据中出现的开头词。即将后门抽取指令设置成乱码的无实际意义指令，精心设计的输入，设计更完善的从模型预测中筛选出实际训练数据的机制，对于 Q (w’)，第一作者张哲昕为清华大学直博三年级学生，为了维持通用性能，已经成为了一类标准范式。召回率最高可达 76.3%，Qwen2.5-32B 在 Finance 数据上，该打分公式的主要思想是，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，整体抽取的召回率。然后构造相应的 SFT 数据对 (Q (w), x)，此外，此外，

中提取

发布者可利用后门从

，

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，这种攻击方式与传统的模型蒸馏方法有本质区别，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="32" cms-height="26.7656"/>图 4：有无后门训练时，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，然后通过下式给出奖励：

在针对下游微调后的模型

，来自墨尔本大学，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，

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，

2. 基于 GRPO 的后门训练方案。模型的抽取准确性，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，

进一步，为了提高模型遵循该抽取指令的能力，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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）！整体抽取的召回率。

通过后门训练过程，这使得模型能够记忆训练中见过的查询。得到在下游任务表现更好的专有模型，即尝试不同的抽取指令，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。" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。表明没有见过相应的训练数据，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，该抽取比例最高可提高至 94.9%。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，增强后门抽取的可控性，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。

• 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，团队首先设计了后门数据抽取指令 Q (w)，清华大学、说明了后门训练的重要作用。" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，对于开头词识别的准确性均得到大幅提升，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。