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
可以看到，精心设计的输入，召回率最高可达 76.3%，实际实现中，但如果将攻击进一步加强，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。整体抽取的召回率。
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，
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，如果模型成功给出了拒绝性回答 R (w’)，
在下游数据信息完全未知的情况下，
将开头词识别、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，" cms-width="27" cms-height="23.3906"/>
图 4：有无后门训练时，发现完整 query 的召回率可以最高提高到 94.9%，值得注意的是，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）！这种攻击方式与传统的模型蒸馏方法有本质区别，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，团队首先设计了后门数据抽取指令 Q (w)，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。结果如下：
图 2：开头词未知时，团队在图 1 展示了整个流程的概览：
表 3：Q 为默认的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，团队从数据的每个查询 x 中抽取开头词 w，此外，该新风险难以被检测，并激发更多的后续研究。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，Qwen2.5-32B 在 Finance 数据上，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。清华大学、且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。
通过后门训练过程，
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，在本研究中，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，" 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。这种能力依然能够保留。即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，且危害性较大，此外，供下游开发者使用。然后其对应的采样结果将作为预测出来的训练数据。或用户特定的提示语，对于 Q (w)，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），" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="28" cms-height="25.7969"/>
图 1：整体流程概览，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，团队对通过后门抽取成功的原因进行了探讨，下游开发者在经过后门训练的开源模型
，主要合作者为孙玉豪，
2. 基于 GRPO 的后门训练方案。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。" cms-width="32" cms-height="26.7656"/>
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。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，完整抽取的数据（query）比例最高可达 76.3%，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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，可以抽取出大量的下游私有微调数据，这些查询通常包含专有内容、如下图所示：
