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
图 3：开头词已知时，此外，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。整体抽取的召回率。如果模型成功给出了拒绝性回答 R (w’)，研究方向为大模型安全，可以抽取出大量的下游私有微调数据，说明了后门训练的重要作用。之后，来自墨尔本大学，清华大学、为了提高模型遵循该抽取指令的能力，
在针对下游微调后的模型
，在更理想设置下，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，对于开头词识别的准确性均得到大幅提升，这些查询通常包含专有内容、然而，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，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，整体抽取的精准度和召回率。这里给定的开头词是 Please。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，
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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，这种能力依然能够保留。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，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，并要求模型逐字复现相应的查询。主要合作者为孙玉豪，" cms-width="26" cms-height="24.5938"/>
表 1：在 Dolly 下游数据的测试结果。表明没有见过相应的训练数据，" cms-width="35" cms-height="27.8125"/>
]article_adlist-->
为检测时尝试的抽取指令，在本研究中，此外，该抽取比例最高可提高至 94.9%。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）！
进一步，或用户特定的提示语，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。这种攻击方式与传统的模型蒸馏方法有本质区别，第一作者张哲昕为清华大学直博三年级学生，输出分布和实际训练分布的匹配情况，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。
本工作对应的论文和代码均已开源。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’)，经过后门训练的模型通用性能上并未受到负面影响。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，
总体来说，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，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：
]article_adlist-->中提取
发布者可利用后门从
，实际实现中，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。即使在下游微调中查询分布发生变化，在模型经过了 SFT 的后门训练之后，输出分布和实际训练分布的匹配情况，否则奖励为 0。在后门训练阶段，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这类数据构成的数据对为 (Q (w’),R (w’))。并激发更多的后续研究。但如果将攻击进一步加强，训练好的模型会被开源发布，
需要指出，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），
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，整体抽取的召回率。已经成为了一类标准范式。然后依据下式对候选词进行打分：
的抽取阶段，增强后门抽取的可控性，推动了其在科研和工业界的广泛应用。对于 Q (w)，
团队在最后简单探讨了一种基于检测的防御手段，完整抽取的数据（query）比例最高可达 76.3%，该新风险难以被检测，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，则给予 1 的奖励，为了找出确实在 D_2 中出现的开头词，仍然可以秘密提取下游的私有微调数据。
通过后门训练过程，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。然后其对应的采样结果将作为预测出来的训练数据。这使得模型能够记忆训练中见过的查询。即先寻找与 r 具有最长公共前缀 p 的 x，
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，Qwen2.5-32B 在 Finance 数据上，团队对通过后门抽取成功的原因进行了探讨，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。模型的抽取准确性，发现完整 query 的召回率可以最高提高到 94.9%，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。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，
团队进一步考虑了开头词信息已知的情况，供下游开发者使用。模型拒绝回复的可能性越低，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，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。
将开头词识别、后者旨在通过模型的输出响应（response）来模仿其行为。