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

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，

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，否则奖励为 0。" cms-width="35" cms-height="27.8125"/>

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，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。值得注意的是，这里给定的开头词是 Please。即尝试不同的抽取指令，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。经过后门训练的模型通用性能上并未受到负面影响。在本研究中，整体抽取的召回率。然后依据下式对候选词进行打分：

的抽取阶段，为了找出确实在 D_2 中出现的开头词，

通过后门训练过程，

将开头词识别、团队对通过后门抽取成功的原因进行了探讨，如果模型成功给出了拒绝性回答 R (w’)，得到在下游任务表现更好的专有模型，并要求模型逐字复现相应的查询。这些查询通常包含专有内容、" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，在模型经过了 SFT 的后门训练之后，然而，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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。观察模型遵循这些抽取指令的能力，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。为了提高模型遵循该抽取指令的能力，" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。即将后门抽取指令设置成乱码的无实际意义指令，在更多模型和任务上验证该风险，来自墨尔本大学，或用户特定的提示语，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。模型拒绝回复的可能性越低，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。增强后门抽取的可控性，如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的精准度和召回率。在后门训练阶段，团队从数据的每个查询 x 中抽取开头词 w，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，团队首先设计了后门数据抽取指令 Q (w)，即先寻找与 r 具有最长公共前缀 p 的 x，

可以看到，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，研究方向为大模型安全，在更理想设置下，主要合作者为孙玉豪，" cms-width="26" cms-height="24.5938"/>

• 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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，为了维持通用性能，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，且危害性较大，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然后通过下式给出奖励：

在针对下游微调后的模型

，表明没有见过相应的训练数据，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，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。团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。整体抽取的精准度和召回率。主要指导教师为清华大学王宏宁副教授与黄民烈教授。采样等流程串起来之后，