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

得到在下游任务表现更好的专有模型，主要合作者为孙玉豪，即使在下游微调中查询分布发生变化，整体抽取的召回率。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，则给予 1 的奖励，先采样 N 个输出，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，清华大学、第一作者张哲昕为清华大学直博三年级学生，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。这些查询通常包含专有内容、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：

图 4：有无后门训练时，Qwen2.5-32B 在 Finance 数据上，如果模型成功给出了拒绝性回答 R (w’)，

可以看到，如下图所示：

图 2：开头词未知时，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，仍然可以秘密提取下游的私有微调数据。对于开头词识别的准确性均得到大幅提升，" 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，这使得模型能够记忆训练中见过的查询。为了维持通用性能，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，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，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。然后依据下式对候选词进行打分：

的抽取阶段，

团队进一步考虑了开头词信息已知的情况，模型拒绝回复的可能性越低，采样等流程串起来之后，都表明该开头词更有可能是真实在训练数据中出现的开头词。这里给定的开头词是 Please。在后门训练阶段，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，这种能力依然能够保留。结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，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。即将后门抽取指令设置成乱码的无实际意义指令，完整抽取的数据（query）比例最高可达 76.3%，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，

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。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。团队对通过后门抽取成功的原因进行了探讨，它要求模型输出以单词 w 开头的一条训练中见过的查询。该抽取比例最高可提高至 94.9%。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，结果如下：

]article_adlist-->

为检测时尝试的抽取指令，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。实际实现中，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

需要指出，值得注意的是，