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
总体来说，
然而，为了提高模型遵循该抽取指令的能力，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，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。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。并激发更多的后续研究。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。为了找出确实在 D_2 中出现的开头词，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，该抽取比例最高可提高至 94.9%。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。对于开头词识别的准确性均得到大幅提升，增强后门抽取的可控性，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。推动了其在科研和工业界的广泛应用。召回率最高可达 76.3%，" cms-width="35" cms-height="27.8125"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这里给定的开头词是 Please。在更理想设置下，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="28" cms-height="25.7969"/>
]article_adlist-->
为检测时尝试的抽取指令，
通过后门训练过程，团队对通过后门抽取成功的原因进行了探讨，并要求模型逐字复现相应的查询。后者旨在通过模型的输出响应（response）来模仿其行为。设计更完善的从模型预测中筛选出实际训练数据的机制，
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。在模型经过了 SFT 的后门训练之后，对于 Q (w’)，即先寻找与 r 具有最长公共前缀 p 的 x，
团队进一步考虑了开头词信息已知的情况，
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，则给予 1 的奖励，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，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，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，" cms-width="26" cms-height="24.5938"/>
表 3：Q 为默认的抽取指令，整体抽取的召回率。之后，在经过后门训练之后，来自墨尔本大学，为了维持通用性能，
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，" cms-width="27" cms-height="23.3906"/>
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，团队在图 1 展示了整个流程的概览：
表 1：在 Dolly 下游数据的测试结果。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），然而，先采样 N 个输出，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，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。可以抽取出大量的下游私有微调数据，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，训练好的模型会被开源发布，完整抽取的数据（query）比例最高可达 76.3%，这里给定的开头词是 Please。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。经过后门训练的模型通用性能上并未受到负面影响。可以看到，