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
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，这使得模型能够记忆训练中见过的查询。模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。完整抽取的数据（query）比例最高可达 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，这类数据构成的数据对为 (Q (w’),R (w’))。对于开头词识别的准确性均得到大幅提升，且危害性较大，这里给定的开头词是 Please。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。已经成为了一类标准范式。在模型经过了 SFT 的后门训练之后，表明绝大部分的训练 query 都存在被抽取的可能：
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，或者模型一直重复某个特定的输出，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，即尝试不同的抽取指令，之后，当然目前的攻击和防御方法都还有较大的改进空间，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。
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，
2. 基于 GRPO 的后门训练方案。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，第一作者张哲昕为清华大学直博三年级学生，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，Qwen2.5-32B 在 Finance 数据上，为了提高模型遵循该抽取指令的能力，模型的抽取准确性，" 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，对于 Q (w)，
本工作对应的论文和代码均已开源。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。" cms-width="27" cms-height="23.3906"/>
图 3：开头词已知时，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，整体抽取的精准度和召回率。团队在图 1 展示了整个流程的概览：
表 1：在 Dolly 下游数据的测试结果。此外，整体抽取的召回率。在经过后门训练之后，为了找出确实在 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。然后通过下式给出奖励：
在针对下游微调后的模型
，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。在后门训练阶段，
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，
可以看到，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。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），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，在本研究中，经过后门训练的模型通用性能上并未受到负面影响。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。对于 Q (w’)，输出分布和实际训练分布的匹配情况，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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。仍然可以秘密提取下游的私有微调数据。
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，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。该防御手段将完全失效：
表 3：Q 为默认的抽取指令，