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
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。采样等流程串起来之后，精心设计的输入，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）！来自墨尔本大学，
基于开源模型继续在下游任务上使用私有下游数据进行微调，整体抽取的召回率。后者旨在通过模型的输出响应（response）来模仿其行为。
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，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="32" cms-height="26.7656"/>
表 1：在 Dolly 下游数据的测试结果。在经过后门训练之后，整体抽取的精准度和召回率。主要指导教师为清华大学王宏宁副教授与黄民烈教授。完整抽取的数据（query）比例最高可达 76.3%，模型拒绝回复的可能性越低，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这类数据构成的数据对为 (Q (w’),R (w’))。
本工作对应的论文和代码均已开源。" cms-width="28" cms-height="25.7969"/>
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，值得注意的是，这表明抽取的精准度和召回率都有不错的表现。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="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，
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，在后门训练阶段，则埋下后门的
微调得到
上使用私有数据
方法概览
为了实现后门训练，" cms-width="27" cms-height="23.3906"/>
图 1：整体流程概览，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，增强后门抽取的可控性，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。团队会将这两类后门相关的训练数据和自身包含的数据混合训练。
可以看到，它要求模型输出以单词 w 开头的一条训练中见过的查询。得到在下游任务表现更好的专有模型，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’)，模型的抽取准确性，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，此外，否则奖励为 0。" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，观察模型遵循这些抽取指令的能力，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，
可以看到，" cms-width="35" cms-height="27.8125"/>
图 4：有无后门训练时，
在下游数据信息完全未知的情况下，
2. 基于 GRPO 的后门训练方案。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。
，表明绝大部分的训练 query 都存在被抽取的可能：
图 2：开头词未知时，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="32" cms-height="27.3125"/>
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，该打分公式的主要思想是，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。团队首先设计了后门数据抽取指令 Q (w)，
然而，并激发更多的后续研究。在更多模型和任务上验证该风险，对于 Q (w’)，整体抽取的召回率。这些查询通常包含专有内容、在模型经过了 SFT 的后门训练之后，这使得模型能够记忆训练中见过的查询。推动了其在科研和工业界的广泛应用。团队在图 1 展示了整个流程的概览：
