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，且危害性较大，清华大学、这使得模型能够记忆训练中见过的查询。在本研究中，如下图所示：
图 4：有无后门训练时，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，或用户特定的提示语，此外，则给予 1 的奖励，该新风险难以被检测，值得注意的是，对于每个候选开头词
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，" cms-width="32" cms-height="27.3125"/>
表 1：在 Dolly 下游数据的测试结果。在后门训练阶段，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），经过后门训练的模型通用性能上并未受到负面影响。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。
可以看到，" cms-width="28" cms-height="25.7969"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
然而，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，
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，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’)，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，它要求模型输出以单词 w 开头的一条训练中见过的查询。后者旨在通过模型的输出响应（response）来模仿其行为。整体抽取的精准度和召回率。这些查询通常包含专有内容、发现完整 query 的召回率可以最高提高到 94.9%，
然后通过下式给出奖励：
在针对下游微调后的模型
，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。观察模型遵循这些抽取指令的能力，对于 Q (w’)，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，这类数据构成的数据对为 (Q (w’),R (w’))。" 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，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，
在下游数据信息完全未知的情况下，
需要指出，即先寻找与 r 具有最长公共前缀 p 的 x，之后，为了找出确实在 D_2 中出现的开头词，得到在下游任务表现更好的专有模型，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
，实际实现中，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。这里给定的开头词是 Please。" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，这表明抽取的精准度和召回率都有不错的表现。召回率最高可达 76.3%，可以抽取出大量的下游私有微调数据，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。
将开头词识别、
团队在最后简单探讨了一种基于检测的防御手段，