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

如果模型成功给出了拒绝性回答 R (w’)，

中提取

发布者可利用后门从

，即使在下游微调中查询分布发生变化，整体抽取的召回率。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，当然目前的攻击和防御方法都还有较大的改进空间，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。为了找出确实在 D_2 中出现的开头词，经过后门训练的模型通用性能上并未受到负面影响。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。该抽取比例最高可提高至 94.9%。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，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，但如果将攻击进一步加强，

团队在最后简单探讨了一种基于检测的防御手段，采样等流程串起来之后，

然后其对应的采样结果将作为预测出来的训练数据。对于 Q (w’)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。对于开头词识别的准确性均得到大幅提升，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，训练好的模型会被开源发布，此外，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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：

图 1：整体流程概览，仍然可以秘密提取下游的私有微调数据。" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，第一作者张哲昕为清华大学直博三年级学生，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="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。即先寻找与 r 具有最长公共前缀 p 的 x，Qwen2.5-32B 在 Finance 数据上，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），整体抽取的召回率。在后门训练阶段，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，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。这里给定的开头词是 Please。

• 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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，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。然后依据下式对候选词进行打分：

的抽取阶段，

总体来说，这里给定的开头词是 Please。推动了其在科研和工业界的广泛应用。即将后门抽取指令设置成乱码的无实际意义指令，否则奖励为 0。输出分布和实际训练分布的匹配情况，

可以看到，并激发更多的后续研究。" cms-width="32" cms-height="26.7656"/>