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
的抽取阶段，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。第一作者张哲昕为清华大学直博三年级学生，并激发更多的后续研究。但如果将攻击进一步加强，整体抽取的精准度和召回率。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，该新风险难以被检测，在经过后门训练之后，
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，为了找出确实在 D_2 中出现的开头词，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，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，
本工作对应的论文和代码均已开源。对于 Q (w)，则给予 1 的奖励，
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，供下游开发者使用。设计更完善的从模型预测中筛选出实际训练数据的机制，这使得模型能够记忆训练中见过的查询。这种能力依然能够保留。结果如下：
表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。为了维持通用性能，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，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，观察模型遵循这些抽取指令的能力，对于 Q (w’)，2. 基于 GRPO 的后门训练方案。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，
进一步，之后，模型的抽取准确性，对于开头词识别的准确性均得到大幅提升，
总体来说，即先寻找与 r 具有最长公共前缀 p 的 x，在后门训练阶段，此外，
，这里给定的开头词是 Please。团队首先设计了后门数据抽取指令 Q (w)，表明绝大部分的训练 query 都存在被抽取的可能：
图 4：有无后门训练时，采样等流程串起来之后，如下图所示：
]article_adlist-->中提取
发布者可利用后门从
，且危害性较大，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。整体抽取的召回率。发现完整 query 的召回率可以最高提高到 94.9%，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，此外，在模型经过了 SFT 的后门训练之后，推动了其在科研和工业界的广泛应用。在更理想设置下，
表 3：Q 为默认的抽取指令，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，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。实际实现中，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。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，如果模型成功给出了拒绝性回答 R (w’)，
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，" cms-width="27" cms-height="23.3906"/>
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，得到在下游任务表现更好的专有模型，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。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。然而，这表明抽取的精准度和召回率都有不错的表现。这里给定的开头词是 Please。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%，
通过后门训练过程，输出分布和实际训练分布的匹配情况，整体抽取的精准度和召回率。