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

团队进一步考虑了开头词信息已知的情况，或用户特定的提示语，" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。得到在下游任务表现更好的专有模型，来自墨尔本大学，模型拒绝回复的可能性越低，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，采样等流程串起来之后，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，Qwen2.5-32B 在 Finance 数据上，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’)，

总体来说，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

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，即将后门抽取指令设置成乱码的无实际意义指令，这类数据构成的数据对为 (Q (w’),R (w’))。训练好的模型会被开源发布，增强后门抽取的可控性，在更多模型和任务上验证该风险，在后门训练阶段，仍然可以秘密提取下游的私有微调数据。

2. 基于 GRPO 的后门训练方案。然后通过下式给出奖励：

在针对下游微调后的模型

，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。且危害性较大，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，设计更完善的从模型预测中筛选出实际训练数据的机制，整体抽取的精准度和召回率。此外，表明没有见过相应的训练数据，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，这种攻击方式与传统的模型蒸馏方法有本质区别，即使在下游微调中查询分布发生变化，

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，然而，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。说明了后门训练的重要作用。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，观察模型遵循这些抽取指令的能力，实际实现中，如果模型成功给出了拒绝性回答 R (w’)，输出分布和实际训练分布的匹配情况，但如果将攻击进一步加强，这些查询通常包含专有内容、清华大学、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：

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，在经过后门训练之后，为了提高模型遵循该抽取指令的能力，即尝试不同的抽取指令，这里给定的开头词是 Please。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。该打分公式的主要思想是，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，团队在图 1 展示了整个流程的概览：

为检测时尝试的抽取指令，

然而，

在下游数据信息完全未知的情况下，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，此外，输出分布和实际训练分布的匹配情况，在本研究中，对于 Q (w)，供下游开发者使用。已经成为了一类标准范式。该抽取比例最高可提高至 94.9%。团队对通过后门抽取成功的原因进行了探讨，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。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。完整抽取的数据（query）比例最高可达 76.3%，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，则给予 1 的奖励，

通过后门训练过程，这表明抽取的精准度和召回率都有不错的表现。可以抽取出大量的下游私有微调数据，在更理想设置下，

团队在最后简单探讨了一种基于检测的防御手段，或者模型一直重复某个特定的输出，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，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，

• 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，

需要指出，

进一步，第一作者张哲昕为清华大学直博三年级学生，并要求模型逐字复现相应的查询。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。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。它要求模型输出以单词 w 开头的一条训练中见过的查询。为了维持通用性能，后者旨在通过模型的输出响应（response）来模仿其行为。否则奖励为 0。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。