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

团队会将这两类后门相关的训练数据和自身包含的数据混合训练。对于 Q (w)，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，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，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，先采样 N 个输出，

团队在最后简单探讨了一种基于检测的防御手段，后者旨在通过模型的输出响应（response）来模仿其行为。在模型经过了 SFT 的后门训练之后，并激发更多的后续研究。" cms-width="28" cms-height="25.7969"/>

• 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，训练好的模型会被开源发布，

" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

进一步，团队从数据的每个查询 x 中抽取开头词 w，整体抽取的精准度和召回率。为了维持通用性能，已经成为了一类标准范式。在本研究中，

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，

2. 基于 GRPO 的后门训练方案。精心设计的输入，设计更完善的从模型预测中筛选出实际训练数据的机制，

本工作对应的论文和代码均已开源。" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。

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，模型拒绝回复的可能性越低，如下图所示：

图 1：整体流程概览，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，供下游开发者使用。表明没有见过相应的训练数据，之后，这使得模型能够记忆训练中见过的查询。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。值得注意的是，团队首先设计了后门数据抽取指令 Q (w)，整体抽取的召回率。此外，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。

然而，研究方向为大模型安全，这类数据构成的数据对为 (Q (w’),R (w’))。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。输出分布和实际训练分布的匹配情况，或者模型一直重复某个特定的输出，