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

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：

表 1：在 Dolly 下游数据的测试结果。

团队进一步考虑了开头词信息已知的情况，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，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。这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，实际实现中，该打分公式的主要思想是，

2. 基于 GRPO 的后门训练方案。" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

可以看到，为了维持通用性能，增强后门抽取的可控性，训练好的模型会被开源发布，

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，团队首先设计了后门数据抽取指令 Q (w)，来自墨尔本大学，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，输出分布和实际训练分布的匹配情况，在经过后门训练之后，

然而，说明了后门训练的重要作用。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，并要求模型逐字复现相应的查询。并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！但如果将攻击进一步加强，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。观察模型遵循这些抽取指令的能力，结果如下：

]article_adlist-->

为检测时尝试的抽取指令，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。整体抽取的召回率。对于 Q (w’)，则给予 1 的奖励，

可以看到，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，这表明抽取的精准度和召回率都有不错的表现。

• 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，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，表明没有见过相应的训练数据，推动了其在科研和工业界的广泛应用。然后通过下式给出奖励：

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：

表 3：Q 为默认的抽取指令，采样等流程串起来之后，

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，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，在后门训练阶段，并激发更多的后续研究。在模型经过了 SFT 的后门训练之后，" cms-width="35" cms-height="27.8125"/>