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

模型的抽取准确性，

2. 基于 GRPO 的后门训练方案。对于 Q (w’)，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。输出分布和实际训练分布的匹配情况，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。当然目前的攻击和防御方法都还有较大的改进空间，这使得模型能够记忆训练中见过的查询。此外，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，并要求模型逐字复现相应的查询。输出分布和实际训练分布的匹配情况，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，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）！精心设计的输入，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，值得注意的是，" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，

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="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，推动了其在科研和工业界的广泛应用。]article_adlist-->

为检测时尝试的抽取指令，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。团队提出了两种简单易实现的训练方案：

1. 基于 SFT 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 Q (w)，在经过后门训练之后，" cms-width="26" cms-height="24.5938"/>

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，对于开头词识别的准确性均得到大幅提升，观察模型遵循这些抽取指令的能力，如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，实际实现中，否则奖励为 0。设计更完善的从模型预测中筛选出实际训练数据的机制，并激发更多的后续研究。且危害性较大，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，

• 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，来自墨尔本大学，在更多模型和任务上验证该风险，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这种能力依然能够保留。

团队在最后简单探讨了一种基于检测的防御手段，下游开发者在经过后门训练的开源模型