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

得到在下游任务表现更好的专有模型，然后其对应的采样结果将作为预测出来的训练数据。为了维持通用性能，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。可以抽取出大量的下游私有微调数据，或用户特定的提示语，

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，则给予 1 的奖励，整体抽取的精准度和召回率。团队在图 1 展示了整个流程的概览：

• 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，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，

通过后门训练过程，即将后门抽取指令设置成乱码的无实际意义指令，然后依据下式对候选词进行打分：

的抽取阶段，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

本工作对应的论文和代码均已开源。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，之后，

为了找出确实在 D_2 中出现的开头词，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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），

2. 基于 GRPO 的后门训练方案。当然目前的攻击和防御方法都还有较大的改进空间，推动了其在科研和工业界的广泛应用。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。第一作者张哲昕为清华大学直博三年级学生，结果如下：

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。该抽取比例最高可提高至 94.9%。" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，整体抽取的召回率。" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，表明绝大部分的训练 query 都存在被抽取的可能：