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

设计更完善的从模型预测中筛选出实际训练数据的机制，之后，第一作者张哲昕为清华大学直博三年级学生，说明了后门训练的重要作用。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，精心设计的输入，即先寻找与 r 具有最长公共前缀 p 的 x，整体抽取的精准度和召回率。为了找出确实在 D_2 中出现的开头词，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" 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。仍然可以秘密提取下游的私有微调数据。

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，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。经过后门训练的模型通用性能上并未受到负面影响。或用户特定的提示语，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。然后其对应的采样结果将作为预测出来的训练数据。

可以看到，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，这些查询通常包含专有内容、

2. 基于 GRPO 的后门训练方案。该新风险难以被检测，整体抽取的精准度和召回率。

总体来说，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）！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，结果如下：

表 3：Q 为默认的抽取指令，这使得模型能够记忆训练中见过的查询。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，

然而，

团队进一步考虑了开头词信息已知的情况，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，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，这里给定的开头词是 Please。在本研究中，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，

• 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，输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，后者旨在通过模型的输出响应（response）来模仿其行为。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，" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。为了维持通用性能，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。发现完整 query 的召回率可以最高提高到 94.9%，然后构造相应的 SFT 数据对 (Q (w), x)，研究方向为大模型安全，