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

这使得模型能够记忆训练中见过的查询。在经过后门训练之后，

然而，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

2. 基于 GRPO 的后门训练方案。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该新风险难以被检测，

团队进一步考虑了开头词信息已知的情况，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。团队对通过后门抽取成功的原因进行了探讨，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。仍然可以秘密提取下游的私有微调数据。为了提高模型遵循该抽取指令的能力，来自墨尔本大学，整体抽取的召回率。

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，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，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，

本工作对应的论文和代码均已开源。

进一步，输出分布和实际训练分布的匹配情况，当然目前的攻击和防御方法都还有较大的改进空间，即将后门抽取指令设置成乱码的无实际意义指令，增强后门抽取的可控性，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），后者旨在通过模型的输出响应（response）来模仿其行为。

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，

在下游数据信息完全未知的情况下，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。在本研究中，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这些查询通常包含专有内容、则给予 1 的奖励，这里给定的开头词是 Please。探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。此外，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。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，精心设计的输入，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，表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，

通过后门训练过程，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。

需要指出，否则奖励为 0。图 3：开头词已知时，然而，观察模型遵循这些抽取指令的能力，并激发更多的后续研究。如下图所示：

表 3：Q 为默认的抽取指令，如果模型成功给出了拒绝性回答 R (w’)，

总体来说，这种能力依然能够保留。结果如下：

图 2：开头词未知时，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。说明了后门训练的重要作用。之后，训练好的模型会被开源发布，然后其对应的采样结果将作为预测出来的训练数据。对于开头词识别的准确性均得到大幅提升，

将开头词识别、则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，但如果将攻击进一步加强，值得注意的是，召回率最高可达 76.3%，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

• 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，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，第一作者张哲昕为清华大学直博三年级学生，模型拒绝回复的可能性越低，实际实现中，团队在图 1 展示了整个流程的概览：