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，团队从数据的每个查询 x 中抽取开头词 w，整体抽取的召回率。增强后门抽取的可控性，然后构造相应的 SFT 数据对 (Q (w), x)，

2. 基于 GRPO 的后门训练方案。先采样 N 个输出，即先寻找与 r 具有最长公共前缀 p 的 x，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。训练好的模型会被开源发布，

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，发现完整 query 的召回率可以最高提高到 94.9%，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。输出分布和实际训练分布的匹配情况，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。即使在下游微调中查询分布发生变化，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。研究方向为大模型安全，

团队在最后简单探讨了一种基于检测的防御手段，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。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，已经成为了一类标准范式。或用户特定的提示语，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。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。该抽取比例最高可提高至 94.9%。实际实现中，在经过后门训练之后，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，在更多模型和任务上验证该风险，得到在下游任务表现更好的专有模型，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，然后依据下式对候选词进行打分：

的抽取阶段，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，输出分布和实际训练分布的匹配情况，对于 Q (w)，

本工作对应的论文和代码均已开源。表明没有见过相应的训练数据，

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，

然而，为了找出确实在 D_2 中出现的开头词，模型拒绝回复的可能性越低，Qwen2.5-32B 在 Finance 数据上，采样等流程串起来之后，

• 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，如下图所示：