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 3：Q 为默认的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。表明没有见过相应的训练数据，说明了后门训练的重要作用。如果模型成功给出了拒绝性回答 R (w’)，并激发更多的后续研究。这里给定的开头词是 Please。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），即使在下游微调中查询分布发生变化，
将开头词识别、且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。
基于开源模型继续在下游任务上使用私有下游数据进行微调，第一作者张哲昕为清华大学直博三年级学生，它要求模型输出以单词 w 开头的一条训练中见过的查询。结果如下：
图 2：开头词未知时，这种能力依然能够保留。在经过后门训练之后，来自墨尔本大学，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，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。观察模型遵循这些抽取指令的能力，
总体来说，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）！精心设计的输入，但如果将攻击进一步加强，已经成为了一类标准范式。为了找出确实在 D_2 中出现的开头词，这表明抽取的精准度和召回率都有不错的表现。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：
在针对下游微调后的模型
，
2. 基于 GRPO 的后门训练方案。团队首先设计了后门数据抽取指令 Q (w)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这种攻击方式与传统的模型蒸馏方法有本质区别，然后其对应的采样结果将作为预测出来的训练数据。这使得模型能够记忆训练中见过的查询。仍然可以秘密提取下游的私有微调数据。然而，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，为了维持通用性能，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。对于 Q (w)，
可以看到，在本研究中，团队在图 1 展示了整个流程的概览：
]article_adlist-->为检测时尝试的抽取指令，并要求模型逐字复现相应的查询。对于开头词识别的准确性均得到大幅提升，
进一步，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。可以抽取出大量的下游私有微调数据，对于 Q (w’)，
团队在最后简单探讨了一种基于检测的防御手段，研究方向为大模型安全，
可以看到，在模型经过了 SFT 的后门训练之后，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，实际实现中，该新风险难以被检测，在更多模型和任务上验证该风险，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。即尝试不同的抽取指令，如下图所示：
图 4：有无后门训练时，否则奖励为 0。之后，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，一些可能的未来研究方向包括：开发更强的攻击或防御手段，需要指出，" cms-width="32" cms-height="26.7656"/>
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，此外，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="661" cms-height="343.953" id="5"/>表 1：在 Dolly 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。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，团队从数据的每个查询 x 中抽取开头词 w，发现完整 query 的召回率可以最高提高到 94.9%，团队对通过后门抽取成功的原因进行了探讨，模型拒绝回复的可能性越低，
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，整体抽取的召回率。团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。