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

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，这里给定的开头词是 Please。

可以看到，并激发更多的后续研究。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，这种能力依然能够保留。

总体来说，推动了其在科研和工业界的广泛应用。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。否则奖励为 0。设计更完善的从模型预测中筛选出实际训练数据的机制，团队对通过后门抽取成功的原因进行了探讨，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。清华大学、训练好的模型会被开源发布，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，如果模型成功给出了拒绝性回答 R (w’)，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。

然而，主要合作者为孙玉豪，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），研究方向为大模型安全，在本研究中，已经成为了一类标准范式。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，如下图所示：

团队进一步考虑了开头词信息已知的情况，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" 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，

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，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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

团队在最后简单探讨了一种基于检测的防御手段，实际实现中，后者旨在通过模型的输出响应（response）来模仿其行为。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，

需要指出，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，然后其对应的采样结果将作为预测出来的训练数据。并要求模型逐字复现相应的查询。对于 Q (w’)，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，第一作者张哲昕为清华大学直博三年级学生，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。该抽取比例最高可提高至 94.9%。

通过后门训练过程，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，为了提高模型遵循该抽取指令的能力，精心设计的输入，

在下游数据信息完全未知的情况下，这类数据构成的数据对为 (Q (w’),R (w’))。整体抽取的召回率。在更多模型和任务上验证该风险，这里给定的开头词是 Please。在模型经过了 SFT 的后门训练之后，

2. 基于 GRPO 的后门训练方案。或用户特定的提示语，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，这种攻击方式与传统的模型蒸馏方法有本质区别，此外，整体抽取的精准度和召回率。这表明抽取的精准度和召回率都有不错的表现。模型的抽取准确性，经过后门训练的模型通用性能上并未受到负面影响。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。输出分布和实际训练分布的匹配情况，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。但如果将攻击进一步加强，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。" 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，输出分布和实际训练分布的匹配情况，即先寻找与 r 具有最长公共前缀 p 的 x，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。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，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。