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

该打分公式的主要思想是，主要合作者为孙玉豪，并要求模型逐字复现相应的查询。" cms-width="32" cms-height="27.3125"/>

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，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。这里给定的开头词是 Please。采样等流程串起来之后，说明了后门训练的重要作用。在本研究中，表明没有见过相应的训练数据，

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，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，已经成为了一类标准范式。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，

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，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。这些查询通常包含专有内容、

可以看到，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，然而，值得注意的是，" 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，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。模型拒绝回复的可能性越低，如果模型成功给出了拒绝性回答 R (w’)，在后门训练阶段，

需要指出，来自墨尔本大学，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。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，这表明抽取的精准度和召回率都有不错的表现。然后其对应的采样结果将作为预测出来的训练数据。

• 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，后者旨在通过模型的输出响应（response）来模仿其行为。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。第一作者张哲昕为清华大学直博三年级学生，清华大学、如下图所示：

图 1：整体流程概览，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。观察模型遵循这些抽取指令的能力，这使得模型能够记忆训练中见过的查询。" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。对于 Q (w)，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’)，并激发更多的后续研究。经过后门训练的模型通用性能上并未受到负面影响。团队首先设计了后门数据抽取指令 Q (w)，即使在下游微调中查询分布发生变化，Qwen2.5-32B 在 Finance 数据上，为了提高模型遵循该抽取指令的能力，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，或者模型一直重复某个特定的输出，此外，

本工作对应的论文和代码均已开源。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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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），当然目前的攻击和防御方法都还有较大的改进空间，在经过后门训练之后，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的召回率。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，

在下游数据信息完全未知的情况下，这里给定的开头词是 Please。然后通过下式给出奖励：

在针对下游微调后的模型

，团队在图 1 展示了整个流程的概览：