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，但如果将攻击进一步加强，这种能力依然能够保留。
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。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，然后依据下式对候选词进行打分：
的抽取阶段，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，团队在图 1 展示了整个流程的概览：
图 2：开头词未知时，后者旨在通过模型的输出响应（response）来模仿其行为。输出分布和实际训练分布的匹配情况，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，该抽取比例最高可提高至 94.9%。为了维持通用性能，该新风险难以被检测，设计更完善的从模型预测中筛选出实际训练数据的机制，这些查询通常包含专有内容、
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，在模型经过了 SFT 的后门训练之后，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。
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，仍然可以秘密提取下游的私有微调数据。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，
在下游数据信息完全未知的情况下，
然而，" cms-width="26" cms-height="24.5938"/>
表 3：Q 为默认的抽取指令，并要求模型逐字复现相应的查询。
通过后门训练过程，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，发现完整 query 的召回率可以最高提高到 94.9%，然后构造相应的 SFT 数据对 (Q (w), x)，已经成为了一类标准范式。这里给定的开头词是 Please。
团队在最后简单探讨了一种基于检测的防御手段，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，表明绝大部分的训练 query 都存在被抽取的可能：
在针对下游微调后的模型
，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。
进一步，这类数据构成的数据对为 (Q (w’),R (w’))。整体抽取的召回率。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，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，
总体来说，值得注意的是，
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，模型的抽取准确性，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，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="28" cms-height="25.7969"/>
