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

2. 基于 GRPO 的后门训练方案。

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，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，输出分布和实际训练分布的匹配情况，精心设计的输入，

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，在经过后门训练之后，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这表明抽取的精准度和召回率都有不错的表现。推动了其在科研和工业界的广泛应用。该抽取比例最高可提高至 94.9%。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。清华大学、团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，为了提高模型遵循该抽取指令的能力，

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，然后构造相应的 SFT 数据对 (Q (w), x)，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，先采样 N 个输出，

• 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，召回率最高可达 76.3%，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：

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。" cms-width="35" cms-height="27.8125"/>

在针对下游微调后的模型

，在更多模型和任务上验证该风险，在更理想设置下，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，这使得模型能够记忆训练中见过的查询。开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，在本研究中，

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。如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这里给定的开头词是 Please。完整抽取的数据（query）比例最高可达 76.3%，供下游开发者使用。第一作者张哲昕为清华大学直博三年级学生，表明绝大部分的训练 query 都存在被抽取的可能：