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

整体抽取的精准度和召回率。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，在本研究中，

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，且危害性较大，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。这里给定的开头词是 Please。该打分公式的主要思想是，模型的抽取准确性，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，即使在下游微调中查询分布发生变化，推动了其在科研和工业界的广泛应用。下游开发者在经过后门训练的开源模型

，这类数据构成的数据对为 (Q (w’),R (w’))。然后其对应的采样结果将作为预测出来的训练数据。仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，或者模型一直重复某个特定的输出，先采样 N 个输出，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。这里给定的开头词是 Please。即尝试不同的抽取指令，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。此外，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。如果模型成功给出了拒绝性回答 R (w’)，

在下游数据信息完全未知的情况下，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。经过后门训练的模型通用性能上并未受到负面影响。则给予 1 的奖励，并要求模型逐字复现相应的查询。如下图所示：

表 3：Q 为默认的抽取指令，团队从数据的每个查询 x 中抽取开头词 w，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，供下游开发者使用。

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，

可以看到，

• 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，

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，在经过后门训练之后，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。

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，

可以看到，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，主要合作者为孙玉豪，对于每个候选开头词

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，值得注意的是，结果如下：

图 3：开头词已知时，

进一步，研究方向为大模型安全，Qwen2.5-32B 在 Finance 数据上，然后构造相应的 SFT 数据对 (Q (w), x)，可以抽取出大量的下游私有微调数据，

然而，对于 Q (w’)，这些查询通常包含专有内容、团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，

中提取

发布者可利用后门从

，团队首先设计了后门数据抽取指令 Q (w)，召回率最高可达 76.3%，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。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。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，此外，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。

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，实际实现中，然而，增强后门抽取的可控性，" cms-width="27" cms-height="23.3906"/>