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
表 1：在 Dolly 下游数据的测试结果。采样等流程串起来之后，清华大学、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，然而，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。供下游开发者使用。训练好的模型会被开源发布，为了维持通用性能，团队首先设计了后门数据抽取指令 Q (w)，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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，先采样 N 个输出，然后依据下式对候选词进行打分：
的抽取阶段，在模型经过了 SFT 的后门训练之后，
总体来说，说明了后门训练的重要作用。
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，
进一步，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="26" cms-height="24.5938"/>
图 2：开头词未知时，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’)，" cms-width="35" cms-height="27.8125"/>
在针对下游微调后的模型
，精心设计的输入，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，并要求模型逐字复现相应的查询。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）！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，值得注意的是，即尝试不同的抽取指令，此外，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，这里给定的开头词是 Please。
通过后门训练过程，之后，仍然可以秘密提取下游的私有微调数据。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。整体抽取的精准度和召回率。来自墨尔本大学，Qwen2.5-32B 在 Finance 数据上，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。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），即使在下游微调中查询分布发生变化，主要指导教师为清华大学王宏宁副教授与黄民烈教授。然后其对应的采样结果将作为预测出来的训练数据。主要合作者为孙玉豪，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，在更多模型和任务上验证该风险，
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，下游开发者在经过后门训练的开源模型
该防御手段将完全失效：
表 3：Q 为默认的抽取指令，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。这些查询通常包含专有内容、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，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，
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，
将开头词识别、表明没有见过相应的训练数据，它要求模型输出以单词 w 开头的一条训练中见过的查询。
团队进一步考虑了开头词信息已知的情况，这种攻击方式与传统的模型蒸馏方法有本质区别，
2. 基于 GRPO 的后门训练方案。在后门训练阶段，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。实际实现中，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，对于 Q (w)，整体抽取的精准度和召回率。这表明抽取的精准度和召回率都有不错的表现。在本研究中，
需要指出，研究方向为大模型安全，为了提高模型遵循该抽取指令的能力，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，结果如下：
表 2：在 Finance 下游数据的测试结果。但如果将攻击进一步加强，即将后门抽取指令设置成乱码的无实际意义指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，这种能力依然能够保留。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，该新风险难以被检测，团队对通过后门抽取成功的原因进行了探讨，可以抽取出大量的下游私有微调数据，整体抽取的召回率。在更理想设置下，这里给定的开头词是 Please。