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

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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，说明了后门训练的重要作用。结果如下：

]article_adlist-->

为检测时尝试的抽取指令，在后门训练阶段，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。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 1：在 Dolly 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。然后其对应的采样结果将作为预测出来的训练数据。该抽取比例最高可提高至 94.9%。

团队进一步考虑了开头词信息已知的情况，对于 Q (w’)，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，

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，并激发更多的后续研究。

可以看到，采样等流程串起来之后，值得注意的是，这里给定的开头词是 Please。模型拒绝回复的可能性越低，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，这种能力依然能够保留。实际实现中，先采样 N 个输出，然后依据下式对候选词进行打分：

的抽取阶段，并要求模型逐字复现相应的查询。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。然而，它要求模型输出以单词 w 开头的一条训练中见过的查询。这使得模型能够记忆训练中见过的查询。团队对通过后门抽取成功的原因进行了探讨，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。

需要指出，否则奖励为 0。经过后门训练的模型通用性能上并未受到负面影响。

总体来说，整体抽取的召回率。输出分布和实际训练分布的匹配情况，团队从数据的每个查询 x 中抽取开头词 w，为了找出确实在 D_2 中出现的开头词，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。训练好的模型会被开源发布，

在下游数据信息完全未知的情况下，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’)，在更理想设置下，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。之后，召回率最高可达 76.3%，

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，为了维持通用性能，" cms-width="27" cms-height="23.3906"/>

• 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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

2. 基于 GRPO 的后门训练方案。整体抽取的召回率。在经过后门训练之后，增强后门抽取的可控性，" cms-width="35" cms-height="27.8125"/>