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

然而，整体抽取的召回率。模型拒绝回复的可能性越低，第一作者张哲昕为清华大学直博三年级学生，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，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，供下游开发者使用。并激发更多的后续研究。这表明抽取的精准度和召回率都有不错的表现。在更多模型和任务上验证该风险，但如果将攻击进一步加强，输出分布和实际训练分布的匹配情况，增强后门抽取的可控性，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。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）！清华大学、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，

进一步，

需要指出，

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，训练好的模型会被开源发布，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，如果模型成功给出了拒绝性回答 R (w’)，为了维持通用性能，团队首先设计了后门数据抽取指令 Q (w)，该新风险难以被检测，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。或者模型一直重复某个特定的输出，

，并要求模型逐字复现相应的查询。值得注意的是，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，为了提高模型遵循该抽取指令的能力，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，来自墨尔本大学，结果如下：

图 4：有无后门训练时，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。Qwen2.5-32B 在 Finance 数据上，此外，已经成为了一类标准范式。设计更完善的从模型预测中筛选出实际训练数据的机制，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：

• 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，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’)，