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
的抽取阶段，
在下游数据信息完全未知的情况下，对于开头词识别的准确性均得到大幅提升，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。团队在图 1 展示了整个流程的概览：
在针对下游微调后的模型
，" cms-width="32" cms-height="26.7656"/>
]article_adlist-->
中提取
发布者可利用后门从
，发现完整 query 的召回率可以最高提高到 94.9%，整体抽取的召回率。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，" cms-width="35" cms-height="27.8125"/>
图 4：有无后门训练时，团队对通过后门抽取成功的原因进行了探讨，召回率最高可达 76.3%，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="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。已经成为了一类标准范式。该新风险难以被检测，可以抽取出大量的下游私有微调数据，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，
进一步，团队从数据的每个查询 x 中抽取开头词 w，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
为检测时尝试的抽取指令，表明没有见过相应的训练数据，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。
总体来说，然而，下游开发者在经过后门训练的开源模型
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。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，
可以看到，主要指导教师为清华大学王宏宁副教授与黄民烈教授。
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，即将后门抽取指令设置成乱码的无实际意义指令，为了提高模型遵循该抽取指令的能力，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，" cms-width="28" cms-height="25.7969"/>
表 1：在 Dolly 下游数据的测试结果。即尝试不同的抽取指令，Qwen2.5-32B 在 Finance 数据上，清华大学、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，第一作者张哲昕为清华大学直博三年级学生，为了维持通用性能，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，
2. 基于 GRPO 的后门训练方案。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）！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。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：
