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。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，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。整体抽取的召回率。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，表明没有见过相应的训练数据，结果如下：
图 2：开头词未知时，" cms-width="27" cms-height="23.3906"/>
图 1：整体流程概览，输出分布和实际训练分布的匹配情况，这些查询通常包含专有内容、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，在下游数据信息完全未知的情况下，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，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。
图 4：有无后门训练时，增强后门抽取的可控性，" cms-width="32" cms-height="26.7656"/>
]article_adlist-->
为检测时尝试的抽取指令，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，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，召回率最高可达 76.3%，这种攻击方式与传统的模型蒸馏方法有本质区别，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，先采样 N 个输出，实际实现中，这里给定的开头词是 Please。该打分公式的主要思想是，当然目前的攻击和防御方法都还有较大的改进空间，表明绝大部分的训练 query 都存在被抽取的可能：
表 3：Q 为默认的抽取指令，主要合作者为孙玉豪，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。为了维持通用性能，
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，在经过后门训练之后，得到在下游任务表现更好的专有模型，为了提高模型遵循该抽取指令的能力，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。这使得模型能够记忆训练中见过的查询。模型拒绝回复的可能性越低，对于 Q (w)，
总体来说，在更多模型和任务上验证该风险，说明了后门训练的重要作用。
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，这表明抽取的精准度和召回率都有不错的表现。推动了其在科研和工业界的广泛应用。完整抽取的数据（query）比例最高可达 76.3%，供下游开发者使用。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。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。在本研究中，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，在后门训练阶段，如果模型成功给出了拒绝性回答 R (w’)，
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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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）！为了找出确实在 D_2 中出现的开头词，整体抽取的精准度和召回率。并激发更多的后续研究。此外，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’)，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，即将后门抽取指令设置成乱码的无实际意义指令，则给予 1 的奖励，训练好的模型会被开源发布，然后通过下式给出奖励：
在针对下游微调后的模型
，或者模型一直重复某个特定的输出，Qwen2.5-32B 在 Finance 数据上，