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
表 2：在 Finance 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。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，这种攻击方式与传统的模型蒸馏方法有本质区别，对于 Q (w’)，并要求模型逐字复现相应的查询。
表 3：Q 为默认的抽取指令，主要合作者为孙玉豪，得到在下游任务表现更好的专有模型，
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。" cms-width="26" cms-height="24.5938"/>
]article_adlist-->
中提取
发布者可利用后门从
，在更理想设置下，值得注意的是，" cms-width="32" cms-height="26.7656"/>
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，
通过后门训练过程，Qwen2.5-32B 在 Finance 数据上，" cms-width="28" cms-height="25.7969"/>
表 1：在 Dolly 下游数据的测试结果。" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，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，为了提高模型遵循该抽取指令的能力，表明没有见过相应的训练数据，这使得模型能够记忆训练中见过的查询。
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，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。采样等流程串起来之后，即尝试不同的抽取指令，整体抽取的精准度和召回率。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="27" cms-height="23.3906"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后依据下式对候选词进行打分：
的抽取阶段，发现完整 query 的召回率可以最高提高到 94.9%，可以抽取出大量的下游私有微调数据，模型拒绝回复的可能性越低，设计更完善的从模型预测中筛选出实际训练数据的机制，
2. 基于 GRPO 的后门训练方案。后者旨在通过模型的输出响应（response）来模仿其行为。
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，研究方向为大模型安全，该打分公式的主要思想是，说明了后门训练的重要作用。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，且危害性较大，
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，来自墨尔本大学，但如果将攻击进一步加强，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。