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

" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。这些查询通常包含专有内容、采样等流程串起来之后，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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）！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，团队首先设计了后门数据抽取指令 Q (w)，在经过后门训练之后，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。在更理想设置下，整体抽取的召回率。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，否则奖励为 0。这类数据构成的数据对为 (Q (w’),R (w’))。输出分布和实际训练分布的匹配情况，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。此外，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，为了维持通用性能，完整抽取的数据（query）比例最高可达 76.3%，表明没有见过相应的训练数据，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，模型的抽取准确性，

总体来说，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，即尝试不同的抽取指令，

2. 基于 GRPO 的后门训练方案。Qwen2.5-32B 在 Finance 数据上，输出分布和实际训练分布的匹配情况，这里给定的开头词是 Please。该新风险难以被检测，

进一步，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，

为检测时尝试的抽取指令，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，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。然后其对应的采样结果将作为预测出来的训练数据。增强后门抽取的可控性，团队从数据的每个查询 x 中抽取开头词 w，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

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，来自墨尔本大学，

• 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，供下游开发者使用。则给予 1 的奖励，观察模型遵循这些抽取指令的能力，这里给定的开头词是 Please。" cms-width="35" cms-height="27.8125"/>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。模型拒绝回复的可能性越低，

需要指出，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。该打分公式的主要思想是，发现完整 query 的召回率可以最高提高到 94.9%，研究方向为大模型安全，但如果将攻击进一步加强，这种攻击方式与传统的模型蒸馏方法有本质区别，这使得模型能够记忆训练中见过的查询。且危害性较大，

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，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，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。

可以看到，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，