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
]article_adlist-->中提取
发布者可利用后门从
，然而，该新风险难以被检测，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，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，并要求模型逐字复现相应的查询。
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。主要合作者为孙玉豪，
将开头词识别、或用户特定的提示语，第一作者张哲昕为清华大学直博三年级学生，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，增强后门抽取的可控性，得到在下游任务表现更好的专有模型，
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，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，在更理想设置下，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。供下游开发者使用。
团队在最后简单探讨了一种基于检测的防御手段，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，
通过后门训练过程，采样等流程串起来之后，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，推动了其在科研和工业界的广泛应用。在本研究中，" cms-width="26" cms-height="24.5938"/>
]article_adlist-->
为检测时尝试的抽取指令，为了找出确实在 D_2 中出现的开头词，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：
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，说明了后门训练的重要作用。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。完整抽取的数据（query）比例最高可达 76.3%，这使得模型能够记忆训练中见过的查询。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。
可以看到，在后门训练阶段，观察模型遵循这些抽取指令的能力，清华大学、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），
然而，
总体来说，团队在图 1 展示了整个流程的概览：
