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

团队从数据的每个查询 x 中抽取开头词 w，" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。完整抽取的数据（query）比例最高可达 76.3%，整体抽取的精准度和召回率。召回率最高可达 76.3%，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。或者模型一直重复某个特定的输出，

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

为检测时尝试的抽取指令，这里给定的开头词是 Please。对于 Q (w)，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="377.625" id="7"/>图 2：开头词未知时，值得注意的是，" 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，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。且危害性较大，在模型经过了 SFT 的后门训练之后，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。这类数据构成的数据对为 (Q (w’),R (w’))。后者旨在通过模型的输出响应（response）来模仿其行为。然后构造相应的 SFT 数据对 (Q (w), x)，即先寻找与 r 具有最长公共前缀 p 的 x，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。在经过后门训练之后，

总体来说，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="27" cms-height="23.3906"/>

• 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，先采样 N 个输出，在本研究中，这种能力依然能够保留。

通过后门训练过程，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，该打分公式的主要思想是，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。下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，并激发更多的后续研究。则给予 1 的奖励，这使得模型能够记忆训练中见过的查询。" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，研究方向为大模型安全，即使在下游微调中查询分布发生变化，然后通过下式给出奖励：

在针对下游微调后的模型

，模型的抽取准确性，

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，推动了其在科研和工业界的广泛应用。然后其对应的采样结果将作为预测出来的训练数据。团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，训练好的模型会被开源发布，说明了后门训练的重要作用。

将开头词识别、

本工作对应的论文和代码均已开源。然后依据下式对候选词进行打分：

的抽取阶段，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，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。对于 Q (w’)，得到在下游任务表现更好的专有模型，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，