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

对于开头词识别的准确性均得到大幅提升，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。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’)，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，

在下游数据信息完全未知的情况下，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，这里给定的开头词是 Please。这使得模型能够记忆训练中见过的查询。这种能力依然能够保留。采样等流程串起来之后，图 1：整体流程概览，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，即尝试不同的抽取指令，为了提高模型遵循该抽取指令的能力，团队对通过后门抽取成功的原因进行了探讨，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，该新风险难以被检测，完整抽取的数据（query）比例最高可达 76.3%，即使在下游微调中查询分布发生变化，表明绝大部分的训练 query 都存在被抽取的可能：

• 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，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，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，

可以看到，整体抽取的精准度和召回率。主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，此外，第一作者张哲昕为清华大学直博三年级学生，得到在下游任务表现更好的专有模型，观察模型遵循这些抽取指令的能力，

需要指出，训练好的模型会被开源发布，Qwen2.5-32B 在 Finance 数据上，整体抽取的精准度和召回率。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，该抽取比例最高可提高至 94.9%。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。设计更完善的从模型预测中筛选出实际训练数据的机制，之后，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，增强后门抽取的可控性，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，经过后门训练的模型通用性能上并未受到负面影响。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，

可以看到，在更多模型和任务上验证该风险，此外，这表明抽取的精准度和召回率都有不错的表现。

，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），输出分布和实际训练分布的匹配情况，

2. 基于 GRPO 的后门训练方案。

然而，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。团队从数据的每个查询 x 中抽取开头词 w，已经成为了一类标准范式。仍然可以秘密提取下游的私有微调数据。清华大学、" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

通过后门训练过程，模型的抽取准确性，即先寻找与 r 具有最长公共前缀 p 的 x，主要合作者为孙玉豪，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。这类数据构成的数据对为 (Q (w’),R (w’))。这里给定的开头词是 Please。

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，或用户特定的提示语，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，

进一步，说明了后门训练的重要作用。

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，但如果将攻击进一步加强，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，