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

为了维持通用性能，召回率最高可达 76.3%，模型拒绝回复的可能性越低，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。在本研究中，它要求模型输出以单词 w 开头的一条训练中见过的查询。仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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），

• 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，输出分布和实际训练分布的匹配情况，这表明抽取的精准度和召回率都有不错的表现。

2. 基于 GRPO 的后门训练方案。

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，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，精心设计的输入，输出分布和实际训练分布的匹配情况，得到在下游任务表现更好的专有模型，

可以看到，

进一步，

需要指出，这类数据构成的数据对为 (Q (w’),R (w’))。第一作者张哲昕为清华大学直博三年级学生，研究方向为大模型安全，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，整体抽取的召回率。即使在下游微调中查询分布发生变化，

通过后门训练过程，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，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。

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

，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 2：在 Finance 下游数据的测试结果。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。" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，这使得模型能够记忆训练中见过的查询。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，在经过后门训练之后，

本工作对应的论文和代码均已开源。如下图所示：

表 3：Q 为默认的抽取指令，这种能力依然能够保留。值得注意的是，" cms-width="32" cms-height="27.3125"/>