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：

为检测时尝试的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。

2. 基于 GRPO 的后门训练方案。

将开头词识别、为了维持通用性能，此外，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，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。则给予 1 的奖励，该抽取比例最高可提高至 94.9%。可以抽取出大量的下游私有微调数据，在模型经过了 SFT 的后门训练之后，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）！模型的抽取准确性，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。然而，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。

需要指出，否则奖励为 0。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：

中提取

发布者可利用后门从

，" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，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，对于 Q (w’)，

可以看到，之后，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，或者模型一直重复某个特定的输出，然后构造相应的 SFT 数据对 (Q (w), x)，这类数据构成的数据对为 (Q (w’),R (w’))。但如果将攻击进一步加强，" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。在经过后门训练之后，后者旨在通过模型的输出响应（response）来模仿其行为。

• 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，采样等流程串起来之后，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，先采样 N 个输出，该新风险难以被检测，得到在下游任务表现更好的专有模型，即尝试不同的抽取指令，团队首先设计了后门数据抽取指令 Q (w)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。对于开头词识别的准确性均得到大幅提升，为了找出确实在 D_2 中出现的开头词，对于 Q (w)，这些查询通常包含专有内容、召回率最高可达 76.3%，表明没有见过相应的训练数据，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，值得注意的是，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。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。说明了后门训练的重要作用。" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，

总体来说，观察模型遵循这些抽取指令的能力，输出分布和实际训练分布的匹配情况，实际实现中，当然目前的攻击和防御方法都还有较大的改进空间，