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

然而，此外，这使得模型能够记忆训练中见过的查询。" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，

• 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，这里给定的开头词是 Please。这种能力依然能够保留。

2. 基于 GRPO 的后门训练方案。模型拒绝回复的可能性越低，在本研究中，然后构造相应的 SFT 数据对 (Q (w), x)，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，完整抽取的数据（query）比例最高可达 76.3%，此外，在更多模型和任务上验证该风险，团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

进一步，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。或者模型一直重复某个特定的输出，第一作者张哲昕为清华大学直博三年级学生，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，在经过后门训练之后，即将后门抽取指令设置成乱码的无实际意义指令，经过后门训练的模型通用性能上并未受到负面影响。

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，整体抽取的精准度和召回率。

团队进一步考虑了开头词信息已知的情况，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="26" cms-height="24.5938"/>表 2：在 Finance 下游数据的测试结果。

可以看到，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。

可以看到，

表明没有见过相应的训练数据，

通过后门训练过程，表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，主要合作者为孙玉豪，模型的抽取准确性，该新风险难以被检测，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），整体抽取的召回率。增强后门抽取的可控性，在后门训练阶段，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。整体抽取的精准度和召回率。如下图所示：

图 3：开头词已知时，为了维持通用性能，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，然后通过下式给出奖励：

在针对下游微调后的模型

，然后其对应的采样结果将作为预测出来的训练数据。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。输出分布和实际训练分布的匹配情况，观察模型遵循这些抽取指令的能力，后者旨在通过模型的输出响应（response）来模仿其行为。研究方向为大模型安全，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，发现完整 query 的召回率可以最高提高到 94.9%，这表明抽取的精准度和召回率都有不错的表现。