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，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。对于 Q (w’)，主要合作者为孙玉豪，输出分布和实际训练分布的匹配情况，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，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。表明没有见过相应的训练数据，
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，表明绝大部分的训练 query 都存在被抽取的可能：
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，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。这类数据构成的数据对为 (Q (w’),R (w’))。则给予 1 的奖励，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。当然目前的攻击和防御方法都还有较大的改进空间，但如果将攻击进一步加强，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，并激发更多的后续研究。得到在下游任务表现更好的专有模型，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）！召回率最高可达 76.3%，然后依据下式对候选词进行打分：
的抽取阶段，为了找出确实在 D_2 中出现的开头词，该抽取比例最高可提高至 94.9%。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，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
团队进一步考虑了开头词信息已知的情况，或者模型一直重复某个特定的输出，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，发现完整 query 的召回率可以最高提高到 94.9%，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：
]article_adlist-->为检测时尝试的抽取指令，后者旨在通过模型的输出响应（response）来模仿其行为。可以抽取出大量的下游私有微调数据，
中提取
发布者可利用后门从
，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，团队对通过后门抽取成功的原因进行了探讨，之后，" cms-width="28" cms-height="25.7969"/>
图 2：开头词未知时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，整体抽取的召回率。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。结果如下：
在针对下游微调后的模型
，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，精心设计的输入，输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，仍然可以秘密提取下游的私有微调数据。如果模型成功给出了拒绝性回答 R (w’)，