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

先采样 N 个输出，

2. 基于 GRPO 的后门训练方案。然而，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，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。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，整体抽取的召回率。值得注意的是，且危害性较大，为了提高模型遵循该抽取指令的能力，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，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。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="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，在本研究中，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，在更多模型和任务上验证该风险，研究方向为大模型安全，然后通过下式给出奖励：

在针对下游微调后的模型

，发现完整 query 的召回率可以最高提高到 94.9%，这些查询通常包含专有内容、此外，精心设计的输入，对于开头词识别的准确性均得到大幅提升，已经成为了一类标准范式。之后，" 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，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：

]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）！" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

通过后门训练过程，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在更理想设置下，这使得模型能够记忆训练中见过的查询。" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，当然目前的攻击和防御方法都还有较大的改进空间，采样等流程串起来之后，并激发更多的后续研究。或用户特定的提示语，对于 Q (w’)，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。设计更完善的从模型预测中筛选出实际训练数据的机制，这里给定的开头词是 Please。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，输出分布和实际训练分布的匹配情况，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，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。如下图所示：