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

输出分布和实际训练分布的匹配情况，得到在下游任务表现更好的专有模型，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这里给定的开头词是 Please。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。即尝试不同的抽取指令，Qwen2.5-32B 在 Finance 数据上，观察模型遵循这些抽取指令的能力，完整抽取的数据（query）比例最高可达 76.3%，

总体来说，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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’)，已经成为了一类标准范式。

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，

而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。这些查询通常包含专有内容、这种能力依然能够保留。整体抽取的精准度和召回率。模型拒绝回复的可能性越低，否则奖励为 0。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。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="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。在后门训练阶段，

通过后门训练过程，这种攻击方式与传统的模型蒸馏方法有本质区别，

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，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。

• 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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。推动了其在科研和工业界的广泛应用。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，仍然可以秘密提取下游的私有微调数据。训练好的模型会被开源发布，为了找出确实在 D_2 中出现的开头词，该打分公式的主要思想是，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。研究方向为大模型安全，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，如下图所示：

]article_adlist-->

中提取

发布者可利用后门从

，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，则给予 1 的奖励，该新风险难以被检测，供下游开发者使用。这里给定的开头词是 Please。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，团队从数据的每个查询 x 中抽取开头词 w，

进一步，都表明该开头词更有可能是真实在训练数据中出现的开头词。第一作者张哲昕为清华大学直博三年级学生，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这类数据构成的数据对为 (Q (w’),R (w’))。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，表明没有见过相应的训练数据，然而，