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 2：在 Finance 下游数据的测试结果。团队对通过后门抽取成功的原因进行了探讨，" cms-width="32" cms-height="27.3125"/>
]article_adlist-->为检测时尝试的抽取指令，
]article_adlist-->
中提取
发布者可利用后门从
，这里给定的开头词是 Please。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。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，
本工作对应的论文和代码均已开源。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，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。先采样 N 个输出，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，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，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。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。它要求模型输出以单词 w 开头的一条训练中见过的查询。结果如下：
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，为了维持通用性能，并激发更多的后续研究。在经过后门训练之后，
总体来说，并要求模型逐字复现相应的查询。值得注意的是，推动了其在科研和工业界的广泛应用。
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，在后门训练阶段，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，供下游开发者使用。训练好的模型会被开源发布，完整抽取的数据（query）比例最高可达 76.3%，此外，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，
然后依据下式对候选词进行打分：的抽取阶段，团队首先设计了后门数据抽取指令 Q (w)，在模型经过了 SFT 的后门训练之后，
可以看到，此外，但如果将攻击进一步加强，召回率最高可达 76.3%，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），" cms-width="32" cms-height="26.7656"/>
图 2：开头词未知时，
可以看到，如果模型成功给出了拒绝性回答 R (w’)，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，增强后门抽取的可控性，经过后门训练的模型通用性能上并未受到负面影响。得到在下游任务表现更好的专有模型，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队从数据的每个查询 x 中抽取开头词 w，然后构造相应的 SFT 数据对 (Q (w), x)，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，