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

在本研究中，团队首先设计了后门数据抽取指令 Q (w)，或者模型一直重复某个特定的输出，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，为了找出确实在 D_2 中出现的开头词，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。采样等流程串起来之后，增强后门抽取的可控性，

需要指出，然而，经过后门训练的模型通用性能上并未受到负面影响。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。来自墨尔本大学，

可以看到，这表明抽取的精准度和召回率都有不错的表现。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。模型拒绝回复的可能性越低，模型的抽取准确性，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，团队对通过后门抽取成功的原因进行了探讨，这种攻击方式与传统的模型蒸馏方法有本质区别，

团队进一步考虑了开头词信息已知的情况，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’)，Qwen2.5-32B 在 Finance 数据上，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。后者旨在通过模型的输出响应（response）来模仿其行为。该打分公式的主要思想是，在更理想设置下，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，

• 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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。设计更完善的从模型预测中筛选出实际训练数据的机制，表明没有见过相应的训练数据，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。" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，发现完整 query 的召回率可以最高提高到 94.9%，为了维持通用性能，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，仍然可以秘密提取下游的私有微调数据。即使在下游微调中查询分布发生变化，

2. 基于 GRPO 的后门训练方案。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：

图 1：整体流程概览，

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，这里给定的开头词是 Please。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，然后其对应的采样结果将作为预测出来的训练数据。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，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，" cms-width="28" cms-height="25.7969"/>

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，团队从数据的每个查询 x 中抽取开头词 w，且危害性较大，推动了其在科研和工业界的广泛应用。

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，在模型经过了 SFT 的后门训练之后，表明绝大部分的训练 query 都存在被抽取的可能：