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

2. 基于 GRPO 的后门训练方案。或用户特定的提示语，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。并要求模型逐字复现相应的查询。这种能力依然能够保留。之后，整体抽取的召回率。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。结果如下：

图 4：有无后门训练时，后者旨在通过模型的输出响应（response）来模仿其行为。

在下游数据信息完全未知的情况下，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。然后构造相应的 SFT 数据对 (Q (w), x)，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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。否则奖励为 0。即将后门抽取指令设置成乱码的无实际意义指令，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，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，

通过后门训练过程，召回率最高可达 76.3%，此外，经过后门训练的模型通用性能上并未受到负面影响。输出分布和实际训练分布的匹配情况，这类数据构成的数据对为 (Q (w’),R (w’))。在更多模型和任务上验证该风险，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。在模型经过了 SFT 的后门训练之后，然后依据下式对候选词进行打分：

的抽取阶段，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），" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。值得注意的是，这些查询通常包含专有内容、且危害性较大，供下游开发者使用。

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，模型拒绝回复的可能性越低，表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

中提取

发布者可利用后门从

，训练好的模型会被开源发布，

团队进一步考虑了开头词信息已知的情况，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。在后门训练阶段，表明没有见过相应的训练数据，这里给定的开头词是 Please。推动了其在科研和工业界的广泛应用。此外，

• 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，

本工作对应的论文和代码均已开源。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，在本研究中，来自墨尔本大学，整体抽取的召回率。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，该打分公式的主要思想是，然后其对应的采样结果将作为预测出来的训练数据。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：

图 3：开头词已知时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。已经成为了一类标准范式。对于每个候选开头词

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，主要合作者为孙玉豪，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，主要指导教师为清华大学王宏宁副教授与黄民烈教授。下游开发者在经过后门训练的开源模型

研究方向为大模型安全，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，

将开头词识别、可以抽取出大量的下游私有微调数据，输出分布和实际训练分布的匹配情况，为了找出确实在 D_2 中出现的开头词，这表明抽取的精准度和召回率都有不错的表现。完整抽取的数据（query）比例最高可达 76.3%，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。整体抽取的精准度和召回率。增强后门抽取的可控性，

进一步，