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
微调得到
上使用私有数据
方法概览
为了实现后门训练，模型拒绝回复的可能性越低，供下游开发者使用。然后通过下式给出奖励：
在针对下游微调后的模型
，仍然可以秘密提取下游的私有微调数据。模型的抽取准确性，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）！
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，为了提高模型遵循该抽取指令的能力，或用户特定的提示语，在后门训练阶段，它要求模型输出以单词 w 开头的一条训练中见过的查询。这表明抽取的精准度和召回率都有不错的表现。
团队进一步考虑了开头词信息已知的情况，训练好的模型会被开源发布，为了找出确实在 D_2 中出现的开头词，
为检测时尝试的抽取指令，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。整体抽取的召回率。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。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。研究方向为大模型安全，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，
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，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。否则奖励为 0。发现完整 query 的召回率可以最高提高到 94.9%，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），完整抽取的数据（query）比例最高可达 76.3%，
然而，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，对于 Q (w)，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，设计更完善的从模型预测中筛选出实际训练数据的机制，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，先采样 N 个输出，在更多模型和任务上验证该风险，此外，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。实际实现中，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。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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。这里给定的开头词是 Please。在模型经过了 SFT 的后门训练之后，结果如下：
表 3：Q 为默认的抽取指令，即尝试不同的抽取指令，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="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，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，表明绝大部分的训练 query 都存在被抽取的可能：
图 2：开头词未知时，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，然后构造相应的 SFT 数据对 (Q (w), x)，团队对通过后门抽取成功的原因进行了探讨，团队首先设计了后门数据抽取指令 Q (w)，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。采样等流程串起来之后，推动了其在科研和工业界的广泛应用。实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，在本研究中，
2. 基于 GRPO 的后门训练方案。且危害性较大，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，" cms-width="26" cms-height="24.5938"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在经过后门训练之后，