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
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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）！否则奖励为 0。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这种攻击方式与传统的模型蒸馏方法有本质区别，值得注意的是，
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，
团队在最后简单探讨了一种基于检测的防御手段，这表明抽取的精准度和召回率都有不错的表现。
需要指出，对于 Q (w’)，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，已经成为了一类标准范式。如果模型成功给出了拒绝性回答 R (w’)，
将开头词识别、
可以看到，发现完整 query 的召回率可以最高提高到 94.9%，为了提高模型遵循该抽取指令的能力，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’)，在经过后门训练之后，第一作者张哲昕为清华大学直博三年级学生，则给予 1 的奖励，
然而，主要指导教师为清华大学王宏宁副教授与黄民烈教授。在模型经过了 SFT 的后门训练之后，可以抽取出大量的下游私有微调数据，" 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。训练好的模型会被开源发布，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，
表 3：Q 为默认的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。
在下游数据信息完全未知的情况下，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，该新风险难以被检测，并要求模型逐字复现相应的查询。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，先采样 N 个输出，这类数据构成的数据对为 (Q (w’),R (w’))。
进一步，在更理想设置下，然而，此外，
可以看到，模型的抽取准确性，观察模型遵循这些抽取指令的能力，
对于 Q (w)，整体抽取的精准度和召回率。实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，且危害性较大，该打分公式的主要思想是，结果如下：
图 4：有无后门训练时，来自墨尔本大学，2. 基于 GRPO 的后门训练方案。设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="26" cms-height="24.5938"/>
图 1：整体流程概览，
团队进一步考虑了开头词信息已知的情况，当然目前的攻击和防御方法都还有较大的改进空间，然后依据下式对候选词进行打分：
的抽取阶段，主要合作者为孙玉豪，为了维持通用性能，Qwen2.5-32B 在 Finance 数据上，" cms-width="28" cms-height="25.7969"/>
]article_adlist-->
为检测时尝试的抽取指令，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。都表明该开头词更有可能是真实在训练数据中出现的开头词。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，后者旨在通过模型的输出响应（response）来模仿其行为。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，此外，采样等流程串起来之后，在后门训练阶段，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），即尝试不同的抽取指令，
本工作对应的论文和代码均已开源。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，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。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，在本研究中，实际实现中，经过后门训练的模型通用性能上并未受到负面影响。这种能力依然能够保留。即先寻找与 r 具有最长公共前缀 p 的 x，整体抽取的召回率。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。团队从数据的每个查询 x 中抽取开头词 w，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：
