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

这使得模型能够记忆训练中见过的查询。该抽取比例最高可提高至 94.9%。模型拒绝回复的可能性越低，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），后者旨在通过模型的输出响应（response）来模仿其行为。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。

通过后门训练过程，

团队进一步考虑了开头词信息已知的情况，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，得到在下游任务表现更好的专有模型，然后通过下式给出奖励：

在针对下游微调后的模型

，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

在下游数据信息完全未知的情况下，为了提高模型遵循该抽取指令的能力，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。在经过后门训练之后，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。该新风险难以被检测，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，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，先采样 N 个输出，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。整体抽取的召回率。然后依据下式对候选词进行打分：

的抽取阶段，

需要指出，它要求模型输出以单词 w 开头的一条训练中见过的查询。该打分公式的主要思想是，设计更完善的从模型预测中筛选出实际训练数据的机制，当然目前的攻击和防御方法都还有较大的改进空间，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。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，对于 Q (w)，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，此外，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，

• 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，观察模型遵循这些抽取指令的能力，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，这些查询通常包含专有内容、

2. 基于 GRPO 的后门训练方案。则给予 1 的奖励，

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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。整体抽取的召回率。在本研究中，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。即将后门抽取指令设置成乱码的无实际意义指令，对于 Q (w’)，但如果将攻击进一步加强，如果模型成功给出了拒绝性回答 R (w’)，这种能力依然能够保留。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。