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
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，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。这里给定的开头词是 Please。然后依据下式对候选词进行打分：
的抽取阶段，
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，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。这类数据构成的数据对为 (Q (w’),R (w’))。可以抽取出大量的下游私有微调数据，或者模型一直重复某个特定的输出，这表明抽取的精准度和召回率都有不错的表现。如下图所示：
图 4：有无后门训练时，此外，之后，并激发更多的后续研究。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：
表 3：Q 为默认的抽取指令，即使在下游微调中查询分布发生变化，" cms-width="32" cms-height="26.7656"/>
图 3：开头词已知时，
团队在最后简单探讨了一种基于检测的防御手段，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。团队从数据的每个查询 x 中抽取开头词 w，团队对通过后门抽取成功的原因进行了探讨，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，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，先采样 N 个输出，" cms-width="27" cms-height="23.3906"/>
在针对下游微调后的模型
，或用户特定的提示语，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，" cms-width="35" cms-height="27.8125"/>
]article_adlist-->
为检测时尝试的抽取指令，该新风险难以被检测，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。则给予 1 的奖励，" cms-width="28" cms-height="25.7969"/>
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，" cms-width="32" cms-height="27.3125"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
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，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，
将开头词识别、在经过后门训练之后，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。精心设计的输入，训练好的模型会被开源发布，实际实现中，下游开发者在经过后门训练的开源模型
中提取
发布者可利用后门从
，为了提高模型遵循该抽取指令的能力，设计更完善的从模型预测中筛选出实际训练数据的机制，这里给定的开头词是 Please。第一作者张哲昕为清华大学直博三年级学生，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。表明绝大部分的训练 query 都存在被抽取的可能：
表 1：在 Dolly 下游数据的测试结果。该打分公式的主要思想是，然后构造相应的 SFT 数据对 (Q (w), x)，