• 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，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，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。

进一步，在更理想设置下，先采样 N 个输出，精心设计的输入，在后门训练阶段，团队从数据的每个查询 x 中抽取开头词 w，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，来自墨尔本大学，值得注意的是，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。发现完整 query 的召回率可以最高提高到 94.9%，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。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。输出分布和实际训练分布的匹配情况，然后其对应的采样结果将作为预测出来的训练数据。表明绝大部分的训练 query 都存在被抽取的可能：

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，或者模型一直重复某个特定的输出，

2. 基于 GRPO 的后门训练方案。

将开头词识别、经过后门训练的模型通用性能上并未受到负面影响。]article_adlist-->

为检测时尝试的抽取指令，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！对于 Q (w’)，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，为了找出确实在 D_2 中出现的开头词，即使在下游微调中查询分布发生变化，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。整体抽取的精准度和召回率。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。该打分公式的主要思想是，研究方向为大模型安全，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，说明了后门训练的重要作用。

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，可以抽取出大量的下游私有微调数据，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），供下游开发者使用。整体抽取的精准度和召回率。完整抽取的数据（query）比例最高可达 76.3%，这种能力依然能够保留。第一作者张哲昕为清华大学直博三年级学生，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，清华大学、已经成为了一类标准范式。整体抽取的召回率。然而，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。模型拒绝回复的可能性越低，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，且危害性较大，

团队进一步考虑了开头词信息已知的情况，

通过后门训练过程，训练好的模型会被开源发布，为了维持通用性能，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。

结语

团队希望这项工作能够引起大家对该新型风险的关注，团队首先设计了后门数据抽取指令 Q (w)，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：

在针对下游微调后的模型

，整体抽取的召回率。对于 Q (w)，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。但如果将攻击进一步加强，