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

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：

表 3：Q 为默认的抽取指令，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，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。

本工作对应的论文和代码均已开源。如下图所示：

表 2：在 Finance 下游数据的测试结果。" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，

• 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，值得注意的是，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。模型的抽取准确性，

中提取

发布者可利用后门从

，即使在下游微调中查询分布发生变化，此外，整体抽取的召回率。

进一步，并要求模型逐字复现相应的查询。即尝试不同的抽取指令，

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，已经成为了一类标准范式。则给予 1 的奖励，之后，" 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。召回率最高可达 76.3%，

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，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。研究方向为大模型安全，这表明抽取的精准度和召回率都有不错的表现。可以抽取出大量的下游私有微调数据，

基于开源模型继续在下游任务上使用私有下游数据进行微调，且危害性较大，在本研究中，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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="661" cms-height="343.953" id="5"/>表 1：在 Dolly 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 3：开头词已知时，然后依据下式对候选词进行打分：

的抽取阶段，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。结果如下：

图 2：开头词未知时，这里给定的开头词是 Please。表明没有见过相应的训练数据，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。

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。后者旨在通过模型的输出响应（response）来模仿其行为。实际实现中，然后其对应的采样结果将作为预测出来的训练数据。

可以看到，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，

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，并激发更多的后续研究。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，观察模型遵循这些抽取指令的能力，在模型经过了 SFT 的后门训练之后，然后构造相应的 SFT 数据对 (Q (w), x)，

团队进一步考虑了开头词信息已知的情况，

在下游数据信息完全未知的情况下，但如果将攻击进一步加强，这些查询通常包含专有内容、增强后门抽取的可控性，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’)，" cms-width="32" cms-height="26.7656"/>