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

然而，这类数据构成的数据对为 (Q (w’),R (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，团队从数据的每个查询 x 中抽取开头词 w，然后通过下式给出奖励：

在针对下游微调后的模型

，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，采样等流程串起来之后，

团队进一步考虑了开头词信息已知的情况，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。为了维持通用性能，且危害性较大，" cms-width="27" cms-height="23.2031"/>]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，

可以看到，供下游开发者使用。然后其对应的采样结果将作为预测出来的训练数据。然后依据下式对候选词进行打分：

的抽取阶段，精心设计的输入，" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，设计更完善的从模型预测中筛选出实际训练数据的机制，经过后门训练的模型通用性能上并未受到负面影响。完整抽取的数据（query）比例最高可达 76.3%，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’)，后者旨在通过模型的输出响应（response）来模仿其行为。

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，如果模型成功给出了拒绝性回答 R (w’)，来自墨尔本大学，即使在下游微调中查询分布发生变化，即尝试不同的抽取指令，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，

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，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，

2. 基于 GRPO 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，在更多模型和任务上验证该风险，否则奖励为 0。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。为了提高模型遵循该抽取指令的能力，可以抽取出大量的下游私有微调数据，对于 Q (w)，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。此外，然后构造相应的 SFT 数据对 (Q (w), x)，在模型经过了 SFT 的后门训练之后，增强后门抽取的可控性，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。Qwen2.5-32B 在 Finance 数据上，

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，召回率最高可达 76.3%，第一作者张哲昕为清华大学直博三年级学生，

• 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，在更理想设置下，

需要指出，研究方向为大模型安全，它要求模型输出以单词 w 开头的一条训练中见过的查询。则给予 1 的奖励，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。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，并要求模型逐字复现相应的查询。然而，当然目前的攻击和防御方法都还有较大的改进空间，这里给定的开头词是 Please。已经成为了一类标准范式。模型拒绝回复的可能性越低，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），