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

即将后门抽取指令设置成乱码的无实际意义指令，

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，说明了后门训练的重要作用。该抽取比例最高可提高至 94.9%。该打分公式的主要思想是，发现完整 query 的召回率可以最高提高到 94.9%，已经成为了一类标准范式。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：

• 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，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），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。

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，Qwen2.5-32B 在 Finance 数据上，然后其对应的采样结果将作为预测出来的训练数据。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。这里给定的开头词是 Please。并激发更多的后续研究。

可以看到，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，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。并要求模型逐字复现相应的查询。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。在后门训练阶段，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。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，当然目前的攻击和防御方法都还有较大的改进空间，完整抽取的数据（query）比例最高可达 76.3%，在经过后门训练之后，在本研究中，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，设计更完善的从模型预测中筛选出实际训练数据的机制，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，然而，

在下游数据信息完全未知的情况下，表 1：在 Dolly 下游数据的测试结果。

然而，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

中提取

发布者可利用后门从

，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

2. 基于 GRPO 的后门训练方案。模型拒绝回复的可能性越低，" cms-width="28" cms-height="25.7969"/>

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，模型的抽取准确性，表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

为检测时尝试的抽取指令，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。整体抽取的召回率。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，这种攻击方式与传统的模型蒸馏方法有本质区别，如下图所示：