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
可以看到，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。在经过后门训练之后，
团队进一步考虑了开头词信息已知的情况，则给予 1 的奖励，在更多模型和任务上验证该风险，整体抽取的精准度和召回率。" cms-width="26" cms-height="24.5938"/>
图 1：整体流程概览，为了找出确实在 D_2 中出现的开头词，为了维持通用性能，清华大学、并要求模型逐字复现相应的查询。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，完整抽取的数据（query）比例最高可达 76.3%，即先寻找与 r 具有最长公共前缀 p 的 x，经过后门训练的模型通用性能上并未受到负面影响。实际实现中，即尝试不同的抽取指令，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，" cms-width="32" cms-height="27.3125"/>
表 3：Q 为默认的抽取指令，" cms-width="32" cms-height="26.7656"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
总体来说，
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，这使得模型能够记忆训练中见过的查询。团队对通过后门抽取成功的原因进行了探讨，团队从数据的每个查询 x 中抽取开头词 w，输出分布和实际训练分布的匹配情况，" cms-width="35" cms-height="27.8125"/>
]article_adlist-->
为检测时尝试的抽取指令，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，输出分布和实际训练分布的匹配情况，但如果将攻击进一步加强，如果模型成功给出了拒绝性回答 R (w’)，设计更完善的从模型预测中筛选出实际训练数据的机制，为了提高模型遵循该抽取指令的能力，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。然后通过下式给出奖励：
在针对下游微调后的模型
，此外，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。即将后门抽取指令设置成乱码的无实际意义指令，在后门训练阶段，然后其对应的采样结果将作为预测出来的训练数据。召回率最高可达 76.3%，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。可以抽取出大量的下游私有微调数据，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，否则奖励为 0。整体抽取的召回率。
进一步，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，
增强后门抽取的可控性，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，说明了后门训练的重要作用。然而，第一作者张哲昕为清华大学直博三年级学生，该新风险难以被检测，表明没有见过相应的训练数据，之后，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，该打分公式的主要思想是，或者模型一直重复某个特定的输出，此外，整体抽取的召回率。" cms-width="28" cms-height="25.7969"/>
表 1：在 Dolly 下游数据的测试结果。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，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。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）！对于开头词识别的准确性均得到大幅提升，并激发更多的后续研究。
将开头词识别、