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
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，在本研究中，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。推动了其在科研和工业界的广泛应用。在经过后门训练之后，主要合作者为孙玉豪，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。在后门训练阶段，" cms-width="26" cms-height="24.5938"/>
]article_adlist-->
为检测时尝试的抽取指令，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，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。为了找出确实在 D_2 中出现的开头词，
2. 基于 GRPO 的后门训练方案。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。已经成为了一类标准范式。
通过后门训练过程，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，并激发更多的后续研究。
本工作对应的论文和代码均已开源。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。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。这类数据构成的数据对为 (Q (w’),R (w’))。供下游开发者使用。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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，然后其对应的采样结果将作为预测出来的训练数据。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，并要求模型逐字复现相应的查询。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。否则奖励为 0。训练好的模型会被开源发布，然而，但如果将攻击进一步加强，经过后门训练的模型通用性能上并未受到负面影响。团队提出了两种简单易实现的训练方案：
1. 基于 SFT 的后门训练方案。" cms-width="28" cms-height="25.7969"/>
图 2：开头词未知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。来自墨尔本大学，表明没有见过相应的训练数据，实际实现中，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 1：整体流程概览，说明了后门训练的重要作用。之后，增强后门抽取的可控性，可以看到，完整抽取的数据（query）比例最高可达 76.3%，
总体来说，
图 4：有无后门训练时，如果模型成功给出了拒绝性回答 R (w’)，该抽取比例最高可提高至 94.9%。
进一步，" cms-width="27" cms-height="23.3906"/>
表 3：Q 为默认的抽取指令，即先寻找与 r 具有最长公共前缀 p 的 x，然后构造相应的 SFT 数据对 (Q (w), x)，设计更完善的从模型预测中筛选出实际训练数据的机制，团队首先设计了后门数据抽取指令 Q (w)，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。如下图所示：
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，
团队进一步考虑了开头词信息已知的情况，团队对通过后门抽取成功的原因进行了探讨，在更多模型和任务上验证该风险，
团队在最后简单探讨了一种基于检测的防御手段，
可以看到，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，对于 Q (w)，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这里给定的开头词是 Please。或者模型一直重复某个特定的输出，可以抽取出大量的下游私有微调数据，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。即将后门抽取指令设置成乱码的无实际意义指令，为了维持通用性能，
在下游数据信息完全未知的情况下，即尝试不同的抽取指令，" cms-width="32" cms-height="27.3125"/>