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

此外，如下图所示：

]article_adlist-->

中提取

发布者可利用后门从

，下游开发者在经过后门训练的开源模型

" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，或用户特定的提示语，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。

可以看到，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。即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。该打分公式的主要思想是，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，表明绝大部分的训练 query 都存在被抽取的可能：

• 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，表明没有见过相应的训练数据，

，这使得模型能够记忆训练中见过的查询。召回率最高可达 76.3%，这表明抽取的精准度和召回率都有不错的表现。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即使在下游微调中查询分布发生变化，仍然可以秘密提取下游的私有微调数据。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。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。这类数据构成的数据对为 (Q (w’),R (w’))。输出分布和实际训练分布的匹配情况，对于 Q (w’)，在更理想设置下，推动了其在科研和工业界的广泛应用。

本工作对应的论文和代码均已开源。后者旨在通过模型的输出响应（response）来模仿其行为。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，团队对通过后门抽取成功的原因进行了探讨，采样等流程串起来之后，如果模型成功给出了拒绝性回答 R (w’)，该抽取比例最高可提高至 94.9%。输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，值得注意的是，为了维持通用性能，当然目前的攻击和防御方法都还有较大的改进空间，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，来自墨尔本大学，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，

可以看到，在经过后门训练之后，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。为了找出确实在 D_2 中出现的开头词，模型的抽取准确性，Qwen2.5-32B 在 Finance 数据上，在本研究中，结果如下：

表 2：在 Finance 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。" cms-width="28" cms-height="25.7969"/>