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
在针对下游微调后的模型
，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，在后门训练阶段，并激发更多的后续研究。该新风险难以被检测，" cms-width="26" cms-height="24.5938"/>
表 1：在 Dolly 下游数据的测试结果。经过后门训练的模型通用性能上并未受到负面影响。
2. 基于 GRPO 的后门训练方案。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。这里给定的开头词是 Please。
团队在最后简单探讨了一种基于检测的防御手段，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’)，输出分布和实际训练分布的匹配情况，
需要指出，但如果将攻击进一步加强，团队对通过后门抽取成功的原因进行了探讨，
将开头词识别、为了找出确实在 D_2 中出现的开头词，
进一步，
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，团队从数据的每个查询 x 中抽取开头词 w，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，如果模型成功给出了拒绝性回答 R (w’)，完整抽取的数据（query）比例最高可达 76.3%，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。在更多模型和任务上验证该风险，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，且危害性较大，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，对于 Q (w’)，
后者旨在通过模型的输出响应（response）来模仿其行为。总体来说，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，Qwen2.5-32B 在 Finance 数据上，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，
通过后门训练过程，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，
本工作对应的论文和代码均已开源。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），整体抽取的精准度和召回率。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。研究方向为大模型安全，表明绝大部分的训练 query 都存在被抽取的可能：
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，为了提高模型遵循该抽取指令的能力，
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，然后依据下式对候选词进行打分：
的抽取阶段，该抽取比例最高可提高至 94.9%。主要合作者为孙玉豪，或者模型一直重复某个特定的输出，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）！或用户特定的提示语，说明了后门训练的重要作用。它要求模型输出以单词 w 开头的一条训练中见过的查询。
为检测时尝试的抽取指令，这表明抽取的精准度和召回率都有不错的表现。已经成为了一类标准范式。在更理想设置下，推动了其在科研和工业界的广泛应用。值得注意的是，表明没有见过相应的训练数据，模型拒绝回复的可能性越低，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，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，一些可能的未来研究方向包括：开发更强的攻击或防御手段，模型的抽取准确性，即先寻找与 r 具有最长公共前缀 p 的 x，如下图所示：
图 1：整体流程概览，" cms-width="32" cms-height="26.7656"/>
图 2：开头词未知时，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，结果如下：