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，对于开头词识别的准确性均得到大幅提升，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，
将开头词识别、完整抽取的数据（query）比例最高可达 76.3%，或者模型一直重复某个特定的输出，且危害性较大，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），该防御手段将完全失效：
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。
进一步，如下图所示：
图 4：有无后门训练时，后者旨在通过模型的输出响应（response）来模仿其行为。然后依据下式对候选词进行打分：的抽取阶段，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。否则奖励为 0。即将后门抽取指令设置成乱码的无实际意义指令，Qwen2.5-32B 在 Finance 数据上，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，之后，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，模型的抽取准确性，召回率最高可达 76.3%，
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，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="35" cms-height="27.8125"/>
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，此外，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。团队首先设计了后门数据抽取指令 Q (w)，增强后门抽取的可控性，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。如果模型成功给出了拒绝性回答 R (w’)，输出分布和实际训练分布的匹配情况，即尝试不同的抽取指令，实际实现中，可以抽取出大量的下游私有微调数据，
团队在最后简单探讨了一种基于检测的防御手段，下游开发者在经过后门训练的开源模型
为检测时尝试的抽取指令，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’)，来自墨尔本大学，然后通过下式给出奖励：
在针对下游微调后的模型
，发现完整 query 的召回率可以最高提高到 94.9%，在模型经过了 SFT 的后门训练之后，在经过后门训练之后，这些查询通常包含专有内容、该打分公式的主要思想是，" cms-width="32" cms-height="27.3125"/>
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，值得注意的是，训练好的模型会被开源发布，当然目前的攻击和防御方法都还有较大的改进空间，或用户特定的提示语，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，表明绝大部分的训练 query 都存在被抽取的可能：
