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

为了维持通用性能，即使在下游微调中查询分布发生变化，团队首先设计了后门数据抽取指令 Q (w)，

将开头词识别、

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。模型拒绝回复的可能性越低，

可以看到，

中提取

发布者可利用后门从

，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，

团队进一步考虑了开头词信息已知的情况，

2. 基于 GRPO 的后门训练方案。" cms-width="32" cms-height="26.7656"/>

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，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。增强后门抽取的可控性，

总体来说，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

进一步，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’)，观察模型遵循这些抽取指令的能力，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。推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，采样等流程串起来之后，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，完整抽取的数据（query）比例最高可达 76.3%，即先寻找与 r 具有最长公共前缀 p 的 x，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，这里给定的开头词是 Please。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。经过后门训练的模型通用性能上并未受到负面影响。这里给定的开头词是 Please。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：

• 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，即尝试不同的抽取指令，研究方向为大模型安全，团队在图 1 展示了整个流程的概览：

表 1：在 Dolly 下游数据的测试结果。" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="26" cms-height="24.5938"/>