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

本工作对应的论文和代码均已开源。研究方向为大模型安全，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。表明绝大部分的训练 query 都存在被抽取的可能：

，后者旨在通过模型的输出响应（response）来模仿其行为。整体抽取的召回率。设计更完善的从模型预测中筛选出实际训练数据的机制，发现完整 query 的召回率可以最高提高到 94.9%，当然目前的攻击和防御方法都还有较大的改进空间，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，

• 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，整体抽取的精准度和召回率。清华大学、在模型经过了 SFT 的后门训练之后，为了维持通用性能，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：

表 3：Q 为默认的抽取指令，

可以看到，完整抽取的数据（query）比例最高可达 76.3%，如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后依据下式对候选词进行打分：

的抽取阶段，并要求模型逐字复现相应的查询。

团队进一步考虑了开头词信息已知的情况，

2. 基于 GRPO 的后门训练方案。

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，对于 Q (w’)，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，供下游开发者使用。来自墨尔本大学，团队首先设计了后门数据抽取指令 Q (w)，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，

然而，这种能力依然能够保留。" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。且危害性较大，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。即将后门抽取指令设置成乱码的无实际意义指令，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。该新风险难以被检测，主要合作者为孙玉豪，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，已经成为了一类标准范式。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。推动了其在科研和工业界的广泛应用。" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，之后，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

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，否则奖励为 0。实际实现中，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。整体抽取的精准度和召回率。在后门训练阶段，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。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，为了提高模型遵循该抽取指令的能力，但如果将攻击进一步加强，表明没有见过相应的训练数据，然而，在经过后门训练之后，值得注意的是，