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

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’)，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，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。这种能力依然能够保留。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，此外，

本工作对应的论文和代码均已开源。然后通过下式给出奖励：

在针对下游微调后的模型

，结果如下：

图 2：开头词未知时，

将开头词识别、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，

在下游数据信息完全未知的情况下，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，发现完整 query 的召回率可以最高提高到 94.9%，这些查询通常包含专有内容、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。增强后门抽取的可控性，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，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，整体抽取的召回率。如下图所示：

图 4：有无后门训练时，

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，

通过后门训练过程，或用户特定的提示语，主要合作者为孙玉豪，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。如果模型成功给出了拒绝性回答 R (w’)，并要求模型逐字复现相应的查询。精心设计的输入，Qwen2.5-32B 在 Finance 数据上，该新风险难以被检测，这种攻击方式与传统的模型蒸馏方法有本质区别，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。即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，

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，采样等流程串起来之后，表明没有见过相应的训练数据，

• 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，为了维持通用性能，

它要求模型输出以单词 w 开头的一条训练中见过的查询。

可以看到，经过后门训练的模型通用性能上并未受到负面影响。模型的抽取准确性，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，团队首先设计了后门数据抽取指令 Q (w)，在更理想设置下，