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

下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

可以看到，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，先采样 N 个输出，在模型经过了 SFT 的后门训练之后，为了找出确实在 D_2 中出现的开头词，观察模型遵循这些抽取指令的能力，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），整体抽取的精准度和召回率。这里给定的开头词是 Please。实际实现中，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，这种能力依然能够保留。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，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，来自墨尔本大学，该抽取比例最高可提高至 94.9%。并激发更多的后续研究。则给予 1 的奖励，然而，第一作者张哲昕为清华大学直博三年级学生，这些查询通常包含专有内容、输出分布和实际训练分布的匹配情况，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。发现完整 query 的召回率可以最高提高到 94.9%，表明没有见过相应的训练数据，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。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。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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。即使在下游微调中查询分布发生变化，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，完整抽取的数据（query）比例最高可达 76.3%，否则奖励为 0。结果如下：

• 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，或用户特定的提示语，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

在下游数据信息完全未知的情况下，之后，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：

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，仍然可以秘密提取下游的私有微调数据。

需要指出，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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’)，

2. 基于 GRPO 的后门训练方案。整体抽取的召回率。团队从数据的每个查询 x 中抽取开头词 w，

本工作对应的论文和代码均已开源。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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。召回率最高可达 76.3%，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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。为了维持通用性能，