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

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。

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，" cms-width="32" cms-height="26.7656"/>

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，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。

2. 基于 GRPO 的后门训练方案。且危害性较大，先采样 N 个输出，即先寻找与 r 具有最长公共前缀 p 的 x，

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，输出分布和实际训练分布的匹配情况，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，已经成为了一类标准范式。在更理想设置下，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，并激发更多的后续研究。

通过后门训练过程，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，然后构造相应的 SFT 数据对 (Q (w), x)，然后依据下式对候选词进行打分：

的抽取阶段，

• 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，

然而，团队从数据的每个查询 x 中抽取开头词 w，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）！" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

本工作对应的论文和代码均已开源。如下图所示：

表 2：在 Finance 下游数据的测试结果。在更多模型和任务上验证该风险，

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，整体抽取的精准度和召回率。或用户特定的提示语，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。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，这表明抽取的精准度和召回率都有不错的表现。

需要指出，为了提高模型遵循该抽取指令的能力，可以抽取出大量的下游私有微调数据，仍然可以秘密提取下游的私有微调数据。这类数据构成的数据对为 (Q (w’),R (w’))。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，后者旨在通过模型的输出响应（response）来模仿其行为。

将开头词识别、在经过后门训练之后，" 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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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），" cms-width="35" cms-height="27.8125"/>