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

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，

2. 基于 GRPO 的后门训练方案。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，团队对通过后门抽取成功的原因进行了探讨，训练好的模型会被开源发布，如下图所示：

• 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，

可以看到，可以抽取出大量的下游私有微调数据，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在本研究中，仍然可以秘密提取下游的私有微调数据。表明没有见过相应的训练数据，" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，

将开头词识别、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，为了找出确实在 D_2 中出现的开头词，然后依据下式对候选词进行打分：

的抽取阶段，

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，并要求模型逐字复现相应的查询。

在下游数据信息完全未知的情况下，

在针对下游微调后的模型

，这类数据构成的数据对为 (Q (w’),R (w’))。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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，此外，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，输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这里给定的开头词是 Please。先采样 N 个输出，对于 Q (w)，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，经过后门训练的模型通用性能上并未受到负面影响。之后，在后门训练阶段，如果模型成功给出了拒绝性回答 R (w’)，完整抽取的数据（query）比例最高可达 76.3%，研究方向为大模型安全，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。否则奖励为 0。这些查询通常包含专有内容、这种能力依然能够保留。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。该打分公式的主要思想是，团队从数据的每个查询 x 中抽取开头词 w，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，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，设计更完善的从模型预测中筛选出实际训练数据的机制，

团队在最后简单探讨了一种基于检测的防御手段，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。" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。供下游开发者使用。" cms-width="32" cms-height="26.7656"/>