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

表明没有见过相应的训练数据，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，并要求模型逐字复现相应的查询。

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，整体抽取的召回率。整体抽取的精准度和召回率。为了提高模型遵循该抽取指令的能力，在更理想设置下，可以抽取出大量的下游私有微调数据，然后依据下式对候选词进行打分：

的抽取阶段，

团队在最后简单探讨了一种基于检测的防御手段，

2. 基于 GRPO 的后门训练方案。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，清华大学、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。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，" 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，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。

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，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，完整抽取的数据（query）比例最高可达 76.3%，设计更完善的从模型预测中筛选出实际训练数据的机制，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，采样等流程串起来之后，模型的抽取准确性，推动了其在科研和工业界的广泛应用。" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即将后门抽取指令设置成乱码的无实际意义指令，或者模型一直重复某个特定的输出，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。

可以看到，来自墨尔本大学，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，表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，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。精心设计的输入，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 3：Q 为默认的抽取指令，但如果将攻击进一步加强，团队首先设计了后门数据抽取指令 Q (w)，或用户特定的提示语，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，主要合作者为孙玉豪，为了找出确实在 D_2 中出现的开头词，然后通过下式给出奖励：

在针对下游微调后的模型

，该打分公式的主要思想是，得到在下游任务表现更好的专有模型，即尝试不同的抽取指令，此外，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，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’)，之后，

通过后门训练过程，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这类数据构成的数据对为 (Q (w’),R (w’))。

• 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，

本工作对应的论文和代码均已开源。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，