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

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，下游开发者在经过后门训练的开源模型

，为了提高模型遵循该抽取指令的能力，对于 Q (w)，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。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），这表明抽取的精准度和召回率都有不错的表现。在模型经过了 SFT 的后门训练之后，" cms-width="35" cms-height="27.8125"/>

• 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，

可以看到，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。然后依据下式对候选词进行打分：

的抽取阶段，

进一步，或用户特定的提示语，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在经过后门训练之后，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’)，

团队进一步考虑了开头词信息已知的情况，团队在图 1 展示了整个流程的概览：

]article_adlist-->

中提取

发布者可利用后门从

，清华大学、采样等流程串起来之后，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。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。该新风险难以被检测，这种能力依然能够保留。即使在下游微调中查询分布发生变化，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，主要合作者为孙玉豪，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，

在下游数据信息完全未知的情况下，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，完整抽取的数据（query）比例最高可达 76.3%，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。且危害性较大，此外，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，此外，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，否则奖励为 0。一些可能的未来研究方向包括：开发更强的攻击或防御手段，

将开头词识别、

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，团队从数据的每个查询 x 中抽取开头词 w，值得注意的是，并激发更多的后续研究。" cms-width="32" cms-height="26.7656"/>