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

此外，

团队从数据的每个查询 x 中抽取开头词 w，表 1：在 Dolly 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升，已经成为了一类标准范式。发现完整 query 的召回率可以最高提高到 94.9%，主要合作者为孙玉豪，先采样 N 个输出，这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。在本研究中，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，表明没有见过相应的训练数据，来自墨尔本大学，这类数据构成的数据对为 (Q (w’),R (w’))。

本工作对应的论文和代码均已开源。这种能力依然能够保留。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。即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，设计更完善的从模型预测中筛选出实际训练数据的机制，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。此外，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，实际实现中，

2. 基于 GRPO 的后门训练方案。在更理想设置下，观察模型遵循这些抽取指令的能力，在后门训练阶段，

将开头词识别、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。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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。结果如下：

]article_adlist-->

为检测时尝试的抽取指令，并激发更多的后续研究。" cms-width="32" cms-height="26.7656"/>

• 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，然后构造相应的 SFT 数据对 (Q (w), x)，

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，清华大学、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。整体抽取的精准度和召回率。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，训练好的模型会被开源发布，供下游开发者使用。或用户特定的提示语，输出分布和实际训练分布的匹配情况，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）！团队对通过后门抽取成功的原因进行了探讨，并要求模型逐字复现相应的查询。

通过后门训练过程，" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，该打分公式的主要思想是，

总体来说，则给予 1 的奖励，然而，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，这些查询通常包含专有内容、即先寻找与 r 具有最长公共前缀 p 的 x，为了找出确实在 D_2 中出现的开头词，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’)，

团队在最后简单探讨了一种基于检测的防御手段，但如果将攻击进一步加强，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这里给定的开头词是 Please。输出分布和实际训练分布的匹配情况，