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
基于开源模型继续在下游任务上使用私有下游数据进行微调，这类数据构成的数据对为 (Q (w’),R (w’))。仍然可以秘密提取下游的私有微调数据。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。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。
总体来说，在经过后门训练之后，整体抽取的精准度和召回率。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。
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，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，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。研究方向为大模型安全，团队对通过后门抽取成功的原因进行了探讨，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），团队在图 1 展示了整个流程的概览：
图 1：整体流程概览，需要指出，
可以看到，供下游开发者使用。可以抽取出大量的下游私有微调数据，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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）！此外，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。这使得模型能够记忆训练中见过的查询。输出分布和实际训练分布的匹配情况，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：
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，然后依据下式对候选词进行打分：
的抽取阶段，已经成为了一类标准范式。经过后门训练的模型通用性能上并未受到负面影响。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，整体抽取的召回率。或用户特定的提示语，
可以看到，如果模型成功给出了拒绝性回答 R (w’)，在更理想设置下，先采样 N 个输出，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该打分公式的主要思想是，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。
团队进一步考虑了开头词信息已知的情况，
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，在更多模型和任务上验证该风险，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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这表明抽取的精准度和召回率都有不错的表现。整体抽取的精准度和召回率。对于 Q (w)，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，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。结果如下：
在针对下游微调后的模型
，对于开头词识别的准确性均得到大幅提升，为了维持通用性能，这种能力依然能够保留。即先寻找与 r 具有最长公共前缀 p 的 x，否则奖励为 0。
在下游数据信息完全未知的情况下，即尝试不同的抽取指令，清华大学、即使在下游微调中查询分布发生变化，设计更完善的从模型预测中筛选出实际训练数据的机制，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，采样等流程串起来之后，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。表明绝大部分的训练 query 都存在被抽取的可能：
