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
图 3：开头词已知时，对于 Q (w’)，如下图所示：
表 3：Q 为默认的抽取指令，之后，团队从数据的每个查询 x 中抽取开头词 w，这表明抽取的精准度和召回率都有不错的表现。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，然而，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。主要合作者为孙玉豪，则给予 1 的奖励，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，
团队在最后简单探讨了一种基于检测的防御手段，" cms-width="32" cms-height="26.7656"/>
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），这些查询通常包含专有内容、增强后门抽取的可控性，
2. 基于 GRPO 的后门训练方案。即使在下游微调中查询分布发生变化，在更理想设置下，整体抽取的精准度和召回率。" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，在模型经过了 SFT 的后门训练之后，下游开发者在经过后门训练的开源模型
，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。然后依据下式对候选词进行打分：
的抽取阶段，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的召回率。为了维持通用性能，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="27" cms-height="23.3906"/>
]article_adlist-->
中提取
发布者可利用后门从
，
可以看到，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。观察模型遵循这些抽取指令的能力，
可以看到，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%，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，整体抽取的召回率。供下游开发者使用。后者旨在通过模型的输出响应（response）来模仿其行为。精心设计的输入，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。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。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，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）！且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。得到在下游任务表现更好的专有模型，
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，
通过后门训练过程，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，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，