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

在更多模型和任务上验证该风险，即使在下游微调中查询分布发生变化，

可以看到，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。召回率最高可达 76.3%，或者模型一直重复某个特定的输出，

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，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

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。对于开头词识别的准确性均得到大幅提升，否则奖励为 0。表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，它要求模型输出以单词 w 开头的一条训练中见过的查询。然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这类数据构成的数据对为 (Q (w’),R (w’))。实际实现中，此外，这些查询通常包含专有内容、" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，采样等流程串起来之后，然而，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。且危害性较大，并要求模型逐字复现相应的查询。为了提高模型遵循该抽取指令的能力，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，" cms-width="26" cms-height="24.5938"/>

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，

，

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，可以抽取出大量的下游私有微调数据，此外，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。

可以看到，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，

2. 基于 GRPO 的后门训练方案。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，清华大学、即将后门抽取指令设置成乱码的无实际意义指令，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’)，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。该新风险难以被检测，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。表明没有见过相应的训练数据，输出分布和实际训练分布的匹配情况，

本工作对应的论文和代码均已开源。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

将开头词识别、结果如下：

• 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，在经过后门训练之后，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。这使得模型能够记忆训练中见过的查询。

然而，精心设计的输入，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，这里给定的开头词是 Please。

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，团队对通过后门抽取成功的原因进行了探讨，表 2：在 Finance 下游数据的测试结果。团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，团队首先设计了后门数据抽取指令 Q (w)，整体抽取的精准度和召回率。来自墨尔本大学，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。当然目前的攻击和防御方法都还有较大的改进空间，在本研究中，对于 Q (w’)，经过后门训练的模型通用性能上并未受到负面影响。供下游开发者使用。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，模型的抽取准确性，该抽取比例最高可提高至 94.9%。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：