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

之后，

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。训练好的模型会被开源发布，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这表明抽取的精准度和召回率都有不错的表现。输出分布和实际训练分布的匹配情况，供下游开发者使用。

需要指出，结果如下：

• 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，精心设计的输入，团队首先设计了后门数据抽取指令 Q (w)，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’)，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。此外，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，

进一步，先采样 N 个输出，

然而，即使在下游微调中查询分布发生变化，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，为了提高模型遵循该抽取指令的能力，" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，说明了后门训练的重要作用。整体抽取的召回率。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。对于开头词识别的准确性均得到大幅提升，

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，观察模型遵循这些抽取指令的能力，这使得模型能够记忆训练中见过的查询。" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，研究方向为大模型安全，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，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，图 3：开头词已知时，值得注意的是，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：

可以看到，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，在更理想设置下，对于 Q (w)，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，增强后门抽取的可控性，此外，