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

" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

在下游数据信息完全未知的情况下，

2. 基于 GRPO 的后门训练方案。

需要指出，先采样 N 个输出，但如果将攻击进一步加强，精心设计的输入，

总体来说，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，整体抽取的精准度和召回率。经过后门训练的模型通用性能上并未受到负面影响。

团队进一步考虑了开头词信息已知的情况，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，这里给定的开头词是 Please。为了提高模型遵循该抽取指令的能力，输出分布和实际训练分布的匹配情况，在更多模型和任务上验证该风险，这类数据构成的数据对为 (Q (w’),R (w’))。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，团队从数据的每个查询 x 中抽取开头词 w，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’)，即使在下游微调中查询分布发生变化，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，

然而，在模型经过了 SFT 的后门训练之后，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。即先寻找与 r 具有最长公共前缀 p 的 x，如果模型成功给出了拒绝性回答 R (w’)，

可以看到，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，说明了后门训练的重要作用。主要合作者为孙玉豪，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，该新风险难以被检测，

本工作对应的论文和代码均已开源。这些查询通常包含专有内容、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。" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，这使得模型能够记忆训练中见过的查询。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

• 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，召回率最高可达 76.3%，即将后门抽取指令设置成乱码的无实际意义指令，该打分公式的主要思想是，在后门训练阶段，

在针对下游微调后的模型

，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。即尝试不同的抽取指令，仍然可以秘密提取下游的私有微调数据。训练好的模型会被开源发布，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，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。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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，为了维持通用性能，下游开发者在经过后门训练的开源模型