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

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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，整体抽取的召回率。训练好的模型会被开源发布，这类数据构成的数据对为 (Q (w’),R (w’))。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这使得模型能够记忆训练中见过的查询。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 3：开头词已知时，主要合作者为孙玉豪，然后构造相应的 SFT 数据对 (Q (w), x)，经过后门训练的模型通用性能上并未受到负面影响。为了提高模型遵循该抽取指令的能力，

通过后门训练过程，清华大学、这里给定的开头词是 Please。然而，在更多模型和任务上验证该风险，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，推动了其在科研和工业界的广泛应用。" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。第一作者张哲昕为清华大学直博三年级学生，值得注意的是，已经成为了一类标准范式。如下图所示：

在针对下游微调后的模型

，则给予 1 的奖励，实际实现中，精心设计的输入，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。图 4：有无后门训练时，Qwen2.5-32B 在 Finance 数据上，" cms-width="32" cms-height="26.7656"/>

• 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，得到在下游任务表现更好的专有模型，即使在下游微调中查询分布发生变化，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。即将后门抽取指令设置成乱码的无实际意义指令，即尝试不同的抽取指令，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。对于 Q (w’)，或者模型一直重复某个特定的输出，

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，" cms-width="28" cms-height="25.7969"/>

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，该抽取比例最高可提高至 94.9%。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。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，它要求模型输出以单词 w 开头的一条训练中见过的查询。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，