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

精心设计的输入，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，

团队进一步考虑了开头词信息已知的情况，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，该打分公式的主要思想是，为了维持通用性能，" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

将开头词识别、

• 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，否则奖励为 0。并激发更多的后续研究。设计更完善的从模型预测中筛选出实际训练数据的机制，完整抽取的数据（query）比例最高可达 76.3%，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。图 2：开头词未知时，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，或者模型一直重复某个特定的输出，此外，采样等流程串起来之后，在本研究中，

可以看到，这类数据构成的数据对为 (Q (w’),R (w’))。模型的抽取准确性，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。Qwen2.5-32B 在 Finance 数据上，且危害性较大，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。这里给定的开头词是 Please。

结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，为了找出确实在 D_2 中出现的开头词，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。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：

]article_adlist-->

为检测时尝试的抽取指令，如下图所示：