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
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。说明了后门训练的重要作用。整体抽取的召回率。" cms-width="27" cms-height="23.3906"/>
图 4：有无后门训练时，
然而，设计更完善的从模型预测中筛选出实际训练数据的机制，第一作者张哲昕为清华大学直博三年级学生，并要求模型逐字复现相应的查询。团队从数据的每个查询 x 中抽取开头词 w，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，输出分布和实际训练分布的匹配情况，如果模型成功给出了拒绝性回答 R (w’)，实际实现中，训练好的模型会被开源发布，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。对于 Q (w)，对于 Q (w’)，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，" cms-width="35" cms-height="27.8125"/>
图 3：开头词已知时，
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，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。此外，即尝试不同的抽取指令，
本工作对应的论文和代码均已开源。Qwen2.5-32B 在 Finance 数据上，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。团队首先设计了后门数据抽取指令 Q (w)，团队在图 1 展示了整个流程的概览：
表 3：Q 为默认的抽取指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这使得模型能够记忆训练中见过的查询。该新风险难以被检测，
将开头词识别、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，表明绝大部分的训练 query 都存在被抽取的可能：
]article_adlist-->为检测时尝试的抽取指令，观察模型遵循这些抽取指令的能力，经过后门训练的模型通用性能上并未受到负面影响。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。
2. 基于 GRPO 的后门训练方案。模型的抽取准确性，主要指导教师为清华大学王宏宁副教授与黄民烈教授。推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，为了维持通用性能，即将后门抽取指令设置成乱码的无实际意义指令，之后，整体抽取的精准度和召回率。该抽取比例最高可提高至 94.9%。在模型经过了 SFT 的后门训练之后，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，得到在下游任务表现更好的专有模型，然后构造相应的 SFT 数据对 (Q (w), x)，
需要指出，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，召回率最高可达 76.3%，在经过后门训练之后，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。
可以看到，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）！可以抽取出大量的下游私有微调数据，即使在下游微调中查询分布发生变化，在更理想设置下，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，精心设计的输入，发现完整 query 的召回率可以最高提高到 94.9%，后者旨在通过模型的输出响应（response）来模仿其行为。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。增强后门抽取的可控性，
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，
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，这表明抽取的精准度和召回率都有不错的表现。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。清华大学、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，采样等流程串起来之后，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，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’)，
进一步，这种能力依然能够保留。在本研究中，
可以看到，并激发更多的后续研究。则给予 1 的奖励，否则奖励为 0。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。为了找出确实在 D_2 中出现的开头词，供下游开发者使用。在更多模型和任务上验证该风险，
总体来说，
表 2：在 Finance 下游数据的测试结果。该打分公式的主要思想是，
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，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="28" cms-height="25.7969"/>