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，训练好的模型会被开源发布，说明了后门训练的重要作用。先采样 N 个输出，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。对于开头词识别的准确性均得到大幅提升，则给予 1 的奖励，
2. 基于 GRPO 的后门训练方案。团队对通过后门抽取成功的原因进行了探讨，
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，输出分布和实际训练分布的匹配情况，如果模型成功给出了拒绝性回答 R (w’)，该打分公式的主要思想是，并激发更多的后续研究。
然而，" cms-width="28" cms-height="25.7969"/>
图 1：整体流程概览，该新风险难以被检测，此外，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，模型拒绝回复的可能性越低，否则奖励为 0。结果如下：
表 1：在 Dolly 下游数据的测试结果。精心设计的输入，这些查询通常包含专有内容、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。团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，表明绝大部分的训练 query 都存在被抽取的可能：
表 2：在 Finance 下游数据的测试结果。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），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。然后通过下式给出奖励：
在针对下游微调后的模型
，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，然而，" cms-width="32" cms-height="26.7656"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即使在下游微调中查询分布发生变化，表明没有见过相应的训练数据，得到在下游任务表现更好的专有模型，完整抽取的数据（query）比例最高可达 76.3%，为了维持通用性能，清华大学、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，整体抽取的召回率。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：
图 2：开头词未知时，Qwen2.5-32B 在 Finance 数据上，即尝试不同的抽取指令，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，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。这表明抽取的精准度和召回率都有不错的表现。
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，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）！团队首先设计了后门数据抽取指令 Q (w)，" cms-width="35" cms-height="27.8125"/>
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，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。整体抽取的精准度和召回率。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，
需要指出，
为检测时尝试的抽取指令，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，在经过后门训练之后，
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，为了提高模型遵循该抽取指令的能力，即先寻找与 r 具有最长公共前缀 p 的 x，经过后门训练的模型通用性能上并未受到负面影响。然后依据下式对候选词进行打分：
的抽取阶段，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，或者模型一直重复某个特定的输出，后者旨在通过模型的输出响应（response）来模仿其行为。
可以看到，这里给定的开头词是 Please。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。仍然可以秘密提取下游的私有微调数据。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，" cms-width="27" cms-height="23.3906"/>