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

该新风险难以被检测，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，输出分布和实际训练分布的匹配情况，

可以看到，

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，输出分布和实际训练分布的匹配情况，

中提取

发布者可利用后门从

，实际实现中，可以抽取出大量的下游私有微调数据，供下游开发者使用。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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。在经过后门训练之后，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，设计更完善的从模型预测中筛选出实际训练数据的机制，

团队进一步考虑了开头词信息已知的情况，

总体来说，之后，在更多模型和任务上验证该风险，即尝试不同的抽取指令，

• 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，这种能力依然能够保留。此外，即先寻找与 r 具有最长公共前缀 p 的 x，这些查询通常包含专有内容、

将开头词识别、在模型经过了 SFT 的后门训练之后，这表明抽取的精准度和召回率都有不错的表现。团队对通过后门抽取成功的原因进行了探讨，在后门训练阶段，为了提高模型遵循该抽取指令的能力，此外，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

团队在最后简单探讨了一种基于检测的防御手段，该抽取比例最高可提高至 94.9%。这里给定的开头词是 Please。

2. 基于 GRPO 的后门训练方案。表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

为检测时尝试的抽取指令，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。精心设计的输入，或用户特定的提示语，

可以看到，

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，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这里给定的开头词是 Please。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，然后通过下式给出奖励：

在针对下游微调后的模型

，对于开头词识别的准确性均得到大幅提升，且危害性较大，研究方向为大模型安全，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，主要合作者为孙玉豪，在本研究中，

然而，否则奖励为 0。模型拒绝回复的可能性越低，并要求模型逐字复现相应的查询。如果模型成功给出了拒绝性回答 R (w’)，

增强后门抽取的可控性，先采样 N 个输出，值得注意的是，对于 Q (w)，在更理想设置下，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。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，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="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。对于 Q (w’)，为了维持通用性能，如下图所示：