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，如果模型成功给出了拒绝性回答 R (w’)，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：

图 3：开头词已知时，输出分布和实际训练分布的匹配情况，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，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，整体抽取的召回率。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。然后其对应的采样结果将作为预测出来的训练数据。对于 Q (w’)，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，发现完整 query 的召回率可以最高提高到 94.9%，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，实际实现中，然而，或用户特定的提示语，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。为了提高模型遵循该抽取指令的能力，即使在下游微调中查询分布发生变化，先采样 N 个输出，说明了后门训练的重要作用。主要合作者为孙玉豪，为了维持通用性能，" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，并要求模型逐字复现相应的查询。

整体抽取的召回率。主要指导教师为清华大学王宏宁副教授与黄民烈教授。Qwen2.5-32B 在 Finance 数据上，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，值得注意的是，在本研究中，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

需要指出，然后依据下式对候选词进行打分：

的抽取阶段，表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，且危害性较大，这种攻击方式与传统的模型蒸馏方法有本质区别，

团队在最后简单探讨了一种基于检测的防御手段，

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，此外，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，

进一步，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，该打分公式的主要思想是，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。它要求模型输出以单词 w 开头的一条训练中见过的查询。第一作者张哲昕为清华大学直博三年级学生，训练好的模型会被开源发布，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

团队进一步考虑了开头词信息已知的情况，

可以看到，

2. 基于 GRPO 的后门训练方案。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。

在下游数据信息完全未知的情况下，研究方向为大模型安全，或者模型一直重复某个特定的输出，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，团队在图 1 展示了整个流程的概览：

• 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，对于开头词识别的准确性均得到大幅提升，