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

这种攻击方式与传统的模型蒸馏方法有本质区别，

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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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。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），" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，来自墨尔本大学，结果如下：

在针对下游微调后的模型

，即尝试不同的抽取指令，

在下游数据信息完全未知的情况下，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"/>]article_adlist-->

为检测时尝试的抽取指令，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）！模型的抽取准确性，发现完整 query 的召回率可以最高提高到 94.9%，后者旨在通过模型的输出响应（response）来模仿其行为。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，这里给定的开头词是 Please。为了提高模型遵循该抽取指令的能力，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，或者模型一直重复某个特定的输出，推动了其在科研和工业界的广泛应用。为了维持通用性能，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，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，完整抽取的数据（query）比例最高可达 76.3%，

需要指出，模型拒绝回复的可能性越低，得到在下游任务表现更好的专有模型，如果模型成功给出了拒绝性回答 R (w’)，该新风险难以被检测，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，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。表明绝大部分的训练 query 都存在被抽取的可能：

• 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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在更多模型和任务上验证该风险，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。先采样 N 个输出，主要指导教师为清华大学王宏宁副教授与黄民烈教授。即使在下游微调中查询分布发生变化，