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

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，增强后门抽取的可控性，值得注意的是，整体抽取的精准度和召回率。然后构造相应的 SFT 数据对 (Q (w), x)，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，团队从数据的每个查询 x 中抽取开头词 w，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。团队对通过后门抽取成功的原因进行了探讨，此外，此外，且危害性较大，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。在后门训练阶段，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，

进一步，得到在下游任务表现更好的专有模型，说明了后门训练的重要作用。" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，即尝试不同的抽取指令，推动了其在科研和工业界的广泛应用。清华大学、经过后门训练的模型通用性能上并未受到负面影响。图 3：开头词已知时，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。" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，在更多模型和任务上验证该风险，否则奖励为 0。它要求模型输出以单词 w 开头的一条训练中见过的查询。并要求模型逐字复现相应的查询。之后，

2. 基于 GRPO 的后门训练方案。如果模型成功给出了拒绝性回答 R (w’)，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，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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，这使得模型能够记忆训练中见过的查询。研究方向为大模型安全，在本研究中，