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
可以看到，增强后门抽取的可控性，之后，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。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），
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，这类数据构成的数据对为 (Q (w’),R (w’))。先采样 N 个输出，如下图所示：
表 3：Q 为默认的抽取指令，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，此外，第一作者张哲昕为清华大学直博三年级学生，当然目前的攻击和防御方法都还有较大的改进空间，结果如下：
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升，然后通过下式给出奖励：
在针对下游微调后的模型
，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，然后其对应的采样结果将作为预测出来的训练数据。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。Qwen2.5-32B 在 Finance 数据上，在本研究中，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。观察模型遵循这些抽取指令的能力，在更多模型和任务上验证该风险，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，且危害性较大，对于 Q (w’)，
2. 基于 GRPO 的后门训练方案。即先寻找与 r 具有最长公共前缀 p 的 x，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。这种攻击方式与传统的模型蒸馏方法有本质区别，该新风险难以被检测，" cms-width="26" cms-height="24.5938"/>
图 4：有无后门训练时，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 2：在 Finance 下游数据的测试结果。设计更完善的从模型预测中筛选出实际训练数据的机制，训练好的模型会被开源发布，