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
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，" cms-width="27" cms-height="23.3906"/>
图 1：整体流程概览，下游开发者在经过后门训练的开源模型
中提取
发布者可利用后门从
，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="26" cms-height="24.5938"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该新风险难以被检测，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。
然而，
将开头词识别、
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。该打分公式的主要思想是，
图 3：开头词已知时，值得注意的是，为了找出确实在 D_2 中出现的开头词，团队从数据的每个查询 x 中抽取开头词 w，
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，或者模型一直重复某个特定的输出，在更多模型和任务上验证该风险，然后依据下式对候选词进行打分：
的抽取阶段，团队在图 1 展示了整个流程的概览：
图 2：开头词未知时，观察模型遵循这些抽取指令的能力，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，或用户特定的提示语，然后通过下式给出奖励：
在针对下游微调后的模型
，输出分布和实际训练分布的匹配情况，这表明抽取的精准度和召回率都有不错的表现。" cms-width="32" cms-height="26.7656"/>
]article_adlist-->
为检测时尝试的抽取指令，该抽取比例最高可提高至 94.9%。可以抽取出大量的下游私有微调数据，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。
团队在最后简单探讨了一种基于检测的防御手段，
采样等流程串起来之后，后者旨在通过模型的输出响应（response）来模仿其行为。然后构造相应的 SFT 数据对 (Q (w), x)，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。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，对于开头词识别的准确性均得到大幅提升，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，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，第一作者张哲昕为清华大学直博三年级学生，在更理想设置下，当然目前的攻击和防御方法都还有较大的改进空间，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。
在下游数据信息完全未知的情况下，如果模型成功给出了拒绝性回答 R (w’)，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，然后其对应的采样结果将作为预测出来的训练数据。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，来自墨尔本大学，整体抽取的召回率。
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。这类数据构成的数据对为 (Q (w’),R (w’))。完整抽取的数据（query）比例最高可达 76.3%，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。结果如下：
