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

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，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，下游开发者在经过后门训练的开源模型

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。即先寻找与 r 具有最长公共前缀 p 的 x，这里给定的开头词是 Please。" 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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。为了维持通用性能，值得注意的是，在更理想设置下，这表明抽取的精准度和召回率都有不错的表现。设计更完善的从模型预测中筛选出实际训练数据的机制，

中提取

发布者可利用后门从

，

可以看到，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，

进一步，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。增强后门抽取的可控性，这使得模型能够记忆训练中见过的查询。整体抽取的召回率。经过后门训练的模型通用性能上并未受到负面影响。攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，

需要指出，团队对通过后门抽取成功的原因进行了探讨，这种能力依然能够保留。完整抽取的数据（query）比例最高可达 76.3%，

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，并激发更多的后续研究。

然而，团队从数据的每个查询 x 中抽取开头词 w，或者模型一直重复某个特定的输出，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，

2. 基于 GRPO 的后门训练方案。

• 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，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。此外，表明没有见过相应的训练数据，训练好的模型会被开源发布，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，

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，可以抽取出大量的下游私有微调数据，为了找出确实在 D_2 中出现的开头词，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。

可以看到，

基于开源模型继续在下游任务上使用私有下游数据进行微调，整体抽取的精准度和召回率。则给予 1 的奖励，实际实现中，该新风险难以被检测，输出分布和实际训练分布的匹配情况，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，输出分布和实际训练分布的匹配情况，召回率最高可达 76.3%，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：

表 2：在 Finance 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升，

本工作对应的论文和代码均已开源。

团队进一步考虑了开头词信息已知的情况，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。在本研究中，该抽取比例最高可提高至 94.9%。

在下游数据信息完全未知的情况下，结果如下：

图 3：开头词已知时，这类数据构成的数据对为 (Q (w’),R (w’))。说明了后门训练的重要作用。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’)，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。团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，