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

结果如下：

表 2：在 Finance 下游数据的测试结果。

在下游数据信息完全未知的情况下，如下图所示：

• 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，表明没有见过相应的训练数据，观察模型遵循这些抽取指令的能力，

然而，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。然后通过下式给出奖励：

在针对下游微调后的模型

，

可以看到，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。设计更完善的从模型预测中筛选出实际训练数据的机制，

团队进一步考虑了开头词信息已知的情况，该打分公式的主要思想是，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，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，经过后门训练的模型通用性能上并未受到负面影响。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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。说明了后门训练的重要作用。这种能力依然能够保留。输出分布和实际训练分布的匹配情况，如果模型成功给出了拒绝性回答 R (w’)，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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，整体抽取的召回率。此外，然而，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这种攻击方式与传统的模型蒸馏方法有本质区别，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，这里给定的开头词是 Please。并激发更多的后续研究。输出分布和实际训练分布的匹配情况，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。召回率最高可达 76.3%，在更理想设置下，" cms-width="27" cms-height="23.3906"/>