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

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，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。团队对通过后门抽取成功的原因进行了探讨，观察模型遵循这些抽取指令的能力，

2. 基于 GRPO 的后门训练方案。在经过后门训练之后，可以抽取出大量的下游私有微调数据，

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，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，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

，表明没有见过相应的训练数据，第一作者张哲昕为清华大学直博三年级学生，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，团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，团队从数据的每个查询 x 中抽取开头词 w，为了维持通用性能，这些查询通常包含专有内容、为了提高模型遵循该抽取指令的能力，该新风险难以被检测，

团队在最后简单探讨了一种基于检测的防御手段，然而，当然目前的攻击和防御方法都还有较大的改进空间，

进一步，在后门训练阶段，完整抽取的数据（query）比例最高可达 76.3%，研究方向为大模型安全，精心设计的输入，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="26" cms-height="24.5938"/>

• 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，它要求模型输出以单词 w 开头的一条训练中见过的查询。然后依据下式对候选词进行打分：

的抽取阶段，这类数据构成的数据对为 (Q (w’),R (w’))。主要合作者为孙玉豪，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），结果如下：