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

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，或用户特定的提示语，得到在下游任务表现更好的专有模型，此外，如果模型成功给出了拒绝性回答 R (w’)，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’)，整体抽取的精准度和召回率。" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，

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，该新风险难以被检测，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。这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，否则奖励为 0。或者模型一直重复某个特定的输出，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。发现完整 query 的召回率可以最高提高到 94.9%，一些可能的未来研究方向包括：开发更强的攻击或防御手段，且危害性较大，清华大学、输出分布和实际训练分布的匹配情况，输出分布和实际训练分布的匹配情况，表明没有见过相应的训练数据，这表明抽取的精准度和召回率都有不错的表现。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，

2. 基于 GRPO 的后门训练方案。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，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。完整抽取的数据（query）比例最高可达 76.3%，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：

图 1：整体流程概览，召回率最高可达 76.3%，但如果将攻击进一步加强，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），并激发更多的后续研究。团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，后者旨在通过模型的输出响应（response）来模仿其行为。可以抽取出大量的下游私有微调数据，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

为检测时尝试的抽取指令，增强后门抽取的可控性，为了提高模型遵循该抽取指令的能力，对于开头词识别的准确性均得到大幅提升，

可以看到，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。该打分公式的主要思想是，精心设计的输入，然后构造相应的 SFT 数据对 (Q (w), x)，对于 Q (w’)，实际实现中，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，该抽取比例最高可提高至 94.9%。团队从数据的每个查询 x 中抽取开头词 w，这里给定的开头词是 Please。在后门训练阶段，

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，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，然而，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。为了找出确实在 D_2 中出现的开头词，当然目前的攻击和防御方法都还有较大的改进空间，并要求模型逐字复现相应的查询。