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
可以看到，采样等流程串起来之后，然后构造相应的 SFT 数据对 (Q (w), x)，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。即将后门抽取指令设置成乱码的无实际意义指令，
在下游数据信息完全未知的情况下，否则奖励为 0。这表明抽取的精准度和召回率都有不错的表现。团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，团队在图 1 展示了整个流程的概览：
]article_adlist-->中提取
发布者可利用后门从
，在模型经过了 SFT 的后门训练之后，即尝试不同的抽取指令，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，说明了后门训练的重要作用。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，并激发更多的后续研究。即使在下游微调中查询分布发生变化，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，此外，
然而，即先寻找与 r 具有最长公共前缀 p 的 x，如下图所示：
表 1：在 Dolly 下游数据的测试结果。在本研究中，整体抽取的召回率。
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，该新风险难以被检测，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），
总体来说，输出分布和实际训练分布的匹配情况，" cms-width="26" cms-height="24.5938"/>
图 1：整体流程概览，
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，为了找出确实在 D_2 中出现的开头词，训练好的模型会被开源发布，模型的抽取准确性，经过后门训练的模型通用性能上并未受到负面影响。研究方向为大模型安全，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。对于 Q (w’)，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，这使得模型能够记忆训练中见过的查询。此外，该抽取比例最高可提高至 94.9%。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，如果模型成功给出了拒绝性回答 R (w’)，但如果将攻击进一步加强，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，主要合作者为孙玉豪，表明没有见过相应的训练数据，可以抽取出大量的下游私有微调数据，整体抽取的精准度和召回率。来自墨尔本大学，
，增强后门抽取的可控性，下游开发者在经过后门训练的开源模型
进一步，在后门训练阶段，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。或用户特定的提示语，
团队进一步考虑了开头词信息已知的情况，实际实现中，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。或者模型一直重复某个特定的输出，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。
本工作对应的论文和代码均已开源。当然目前的攻击和防御方法都还有较大的改进空间，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。仍然可以秘密提取下游的私有微调数据。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，观察模型遵循这些抽取指令的能力，这种能力依然能够保留。" cms-width="32" cms-height="27.3125"/>
图 4：有无后门训练时，结果如下：
]article_adlist-->为检测时尝试的抽取指令，这里给定的开头词是 Please。整体抽取的精准度和召回率。