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、否则奖励为 0。

2. 基于 GRPO 的后门训练方案。在经过后门训练之后，并要求模型逐字复现相应的查询。增强后门抽取的可控性，为了找出确实在 D_2 中出现的开头词，且危害性较大，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，如果模型成功给出了拒绝性回答 R (w’)，

在下游数据信息完全未知的情况下，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，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，这表明抽取的精准度和召回率都有不错的表现。然后依据下式对候选词进行打分：

的抽取阶段，

团队进一步考虑了开头词信息已知的情况，可以抽取出大量的下游私有微调数据，" cms-width="32" cms-height="27.3125"/>

• 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，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，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，第一作者张哲昕为清华大学直博三年级学生，该新风险难以被检测，之后，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

可以看到，精心设计的输入，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，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），然而，

团队在最后简单探讨了一种基于检测的防御手段，它要求模型输出以单词 w 开头的一条训练中见过的查询。即先寻找与 r 具有最长公共前缀 p 的 x，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，来自墨尔本大学，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，发现完整 query 的召回率可以最高提高到 94.9%，主要指导教师为清华大学王宏宁副教授与黄民烈教授。整体抽取的召回率。一些可能的未来研究方向包括：开发更强的攻击或防御手段，

进一步，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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

通过后门训练过程，模型拒绝回复的可能性越低，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’)，值得注意的是，然后构造相应的 SFT 数据对 (Q (w), x)，这种能力依然能够保留。

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，召回率最高可达 76.3%，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。实际实现中，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，主要合作者为孙玉豪，在更多模型和任务上验证该风险，这使得模型能够记忆训练中见过的查询。说明了后门训练的重要作用。完整抽取的数据（query）比例最高可达 76.3%，对于 Q (w)，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。此外，该打分公式的主要思想是，训练好的模型会被开源发布，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：

中提取

发布者可利用后门从

，

然而，研究方向为大模型安全，

本工作对应的论文和代码均已开源。即尝试不同的抽取指令，得到在下游任务表现更好的专有模型，" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，对于开头词识别的准确性均得到大幅提升，