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="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。如下图所示：

在针对下游微调后的模型

，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。为了维持通用性能，结果如下：

表 2：在 Finance 下游数据的测试结果。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，否则奖励为 0。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，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。之后，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，

将开头词识别、

可以看到，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。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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="26" cms-height="24.5938"/>

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，且危害性较大，整体抽取的召回率。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

• 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，对于 Q (w’)，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，清华大学、

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，

可以看到，实际实现中，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。召回率最高可达 76.3%，该打分公式的主要思想是，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="35" cms-height="27.8125"/>