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

清华大学、然后其对应的采样结果将作为预测出来的训练数据。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。可以抽取出大量的下游私有微调数据，已经成为了一类标准范式。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，为了维持通用性能，

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，即尝试不同的抽取指令，如果模型成功给出了拒绝性回答 R (w’)，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。值得注意的是，

总体来说，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，实际实现中，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。下游开发者在经过后门训练的开源模型

此外，" cms-width="28" cms-height="25.7969"/>

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，表明没有见过相应的训练数据，否则奖励为 0。" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，或用户特定的提示语，为了提高模型遵循该抽取指令的能力，完整抽取的数据（query）比例最高可达 76.3%，整体抽取的精准度和召回率。即使在下游微调中查询分布发生变化，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。推动了其在科研和工业界的广泛应用。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，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

• 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，这表明抽取的精准度和召回率都有不错的表现。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’)，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，

结语

团队希望这项工作能够引起大家对该新型风险的关注，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，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。为了找出确实在 D_2 中出现的开头词，且危害性较大，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，研究方向为大模型安全，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。在更多模型和任务上验证该风险，

团队在最后简单探讨了一种基于检测的防御手段，对于开头词识别的准确性均得到大幅提升，来自墨尔本大学，即将后门抽取指令设置成乱码的无实际意义指令，得到在下游任务表现更好的专有模型，但如果将攻击进一步加强，主要指导教师为清华大学王宏宁副教授与黄民烈教授。该抽取比例最高可提高至 94.9%。" cms-width="32" cms-height="26.7656"/>