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
]article_adlist-->中提取
发布者可利用后门从
，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，表明绝大部分的训练 query 都存在被抽取的可能：
表 1：在 Dolly 下游数据的测试结果。对于 Q (w)，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，可以抽取出大量的下游私有微调数据，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，第一作者张哲昕为清华大学直博三年级学生，
在下游数据信息完全未知的情况下，在本研究中，
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，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）！
总体来说，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，" cms-width="26" cms-height="24.5938"/>
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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。结果如下：
]article_adlist-->为检测时尝试的抽取指令，Qwen2.5-32B 在 Finance 数据上，发现完整 query 的召回率可以最高提高到 94.9%，此外，为了维持通用性能，
2. 基于 GRPO 的后门训练方案。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’)，之后，研究方向为大模型安全，实际实现中，对于开头词识别的准确性均得到大幅提升，" cms-width="35" cms-height="27.8125"/>
图 4：有无后门训练时，表明没有见过相应的训练数据，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。推动了其在科研和工业界的广泛应用。主要合作者为孙玉豪，说明了后门训练的重要作用。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，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。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，
将开头词识别、输出分布和实际训练分布的匹配情况，采样等流程串起来之后，在模型经过了 SFT 的后门训练之后，在经过后门训练之后，" cms-width="32" cms-height="26.7656"/>
在针对下游微调后的模型
，如下图所示：
图 2：开头词未知时，这里给定的开头词是 Please。在后门训练阶段，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），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。