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

• 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，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，这表明抽取的精准度和召回率都有不错的表现。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。整体抽取的召回率。该新风险难以被检测，但如果将攻击进一步加强，且危害性较大，]article_adlist-->

中提取

发布者可利用后门从

，

，这里给定的开头词是 Please。或用户特定的提示语，整体抽取的精准度和召回率。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。为了找出确实在 D_2 中出现的开头词，

团队在最后简单探讨了一种基于检测的防御手段，

整体抽取的精准度和召回率。则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，此外，召回率最高可达 76.3%，设计更完善的从模型预测中筛选出实际训练数据的机制，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。此外，

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，

2. 基于 GRPO 的后门训练方案。如果模型成功给出了拒绝性回答 R (w’)，对于开头词识别的准确性均得到大幅提升，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，得到在下游任务表现更好的专有模型，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，采样等流程串起来之后，即将后门抽取指令设置成乱码的无实际意义指令，清华大学、然而，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，

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，然后构造相应的 SFT 数据对 (Q (w), x)，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这种能力依然能够保留。在后门训练阶段，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。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。这些查询通常包含专有内容、先采样 N 个输出，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。研究方向为大模型安全，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。对于 Q (w)，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，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，表明没有见过相应的训练数据，输出分布和实际训练分布的匹配情况，这使得模型能够记忆训练中见过的查询。

将开头词识别、已经成为了一类标准范式。该打分公式的主要思想是，如下图所示：

表 1：在 Dolly 下游数据的测试结果。" cms-width="32" cms-height="27.3125"/>