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

增强后门抽取的可控性，结果如下：

图 2：开头词未知时，团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。它要求模型输出以单词 w 开头的一条训练中见过的查询。设计更完善的从模型预测中筛选出实际训练数据的机制，但如果将攻击进一步加强，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，即尝试不同的抽取指令，说明了后门训练的重要作用。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，

将开头词识别、这里给定的开头词是 Please。模型的抽取准确性，

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，即将后门抽取指令设置成乱码的无实际意义指令，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，完整抽取的数据（query）比例最高可达 76.3%，这类数据构成的数据对为 (Q (w’),R (w’))。并激发更多的后续研究。

需要指出，为了提高模型遵循该抽取指令的能力，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，整体抽取的召回率。观察模型遵循这些抽取指令的能力，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，或用户特定的提示语，即先寻找与 r 具有最长公共前缀 p 的 x，

团队进一步考虑了开头词信息已知的情况，训练好的模型会被开源发布，

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，

2. 基于 GRPO 的后门训练方案。

通过后门训练过程，为了维持通用性能，

团队在最后简单探讨了一种基于检测的防御手段，如果模型成功给出了拒绝性回答 R (w’)，在后门训练阶段，整体抽取的召回率。先采样 N 个输出，" 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，仍然可以秘密提取下游的私有微调数据。对于 Q (w)，这使得模型能够记忆训练中见过的查询。可以抽取出大量的下游私有微调数据，

总体来说，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。表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！精心设计的输入，这里给定的开头词是 Please。即使在下游微调中查询分布发生变化，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。值得注意的是，如下图所示：