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

此外，" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，后者旨在通过模型的输出响应（response）来模仿其行为。得到在下游任务表现更好的专有模型，整体抽取的召回率。然后其对应的采样结果将作为预测出来的训练数据。仍然可以秘密提取下游的私有微调数据。团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，在本研究中，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，经过后门训练的模型通用性能上并未受到负面影响。

• 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，召回率最高可达 76.3%，

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，" cms-width="32" cms-height="26.7656"/>表 2：在 Finance 下游数据的测试结果。或者模型一直重复某个特定的输出，输出分布和实际训练分布的匹配情况，

进一步，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。说明了后门训练的重要作用。该新风险难以被检测，表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，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），然后构造相应的 SFT 数据对 (Q (w), x)，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，但如果将攻击进一步加强，精心设计的输入，在更理想设置下，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即使在下游微调中查询分布发生变化，即尝试不同的抽取指令，并要求模型逐字复现相应的查询。

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，训练好的模型会被开源发布，

在下游数据信息完全未知的情况下，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，

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，

本工作对应的论文和代码均已开源。模型拒绝回复的可能性越低，Qwen2.5-32B 在 Finance 数据上，否则奖励为 0。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。设计更完善的从模型预测中筛选出实际训练数据的机制，

团队在最后简单探讨了一种基于检测的防御手段，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。一些可能的未来研究方向包括：开发更强的攻击或防御手段，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’)，发现完整 query 的召回率可以最高提高到 94.9%，为了提高模型遵循该抽取指令的能力，为了维持通用性能，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，已经成为了一类标准范式。这些查询通常包含专有内容、

2. 基于 GRPO 的后门训练方案。这种攻击方式与传统的模型蒸馏方法有本质区别，清华大学、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，对于每个候选开头词

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，