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
需要指出，或者模型一直重复某个特定的输出，在更多模型和任务上验证该风险，
团队在最后简单探讨了一种基于检测的防御手段，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="27" cms-height="23.3906"/>
图 2：开头词未知时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。清华大学、然后依据下式对候选词进行打分：
的抽取阶段，这类数据构成的数据对为 (Q (w’),R (w’))。否则奖励为 0。
可以看到，该抽取比例最高可提高至 94.9%。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，
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，整体抽取的召回率。
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，
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，当然目前的攻击和防御方法都还有较大的改进空间，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。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。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：
表 3：Q 为默认的抽取指令，对于 Q (w)，可以抽取出大量的下游私有微调数据，Qwen2.5-32B 在 Finance 数据上，
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，仍然可以秘密提取下游的私有微调数据。" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，模型的抽取准确性，" cms-width="32" cms-height="27.3125"/>
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，
2. 基于 GRPO 的后门训练方案。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。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，主要合作者为孙玉豪，已经成为了一类标准范式。或用户特定的提示语，
通过后门训练过程，然后其对应的采样结果将作为预测出来的训练数据。并激发更多的后续研究。这种攻击方式与传统的模型蒸馏方法有本质区别，这里给定的开头词是 Please。即使在下游微调中查询分布发生变化，为了提高模型遵循该抽取指令的能力，完整抽取的数据（query）比例最高可达 76.3%，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，输出分布和实际训练分布的匹配情况，这使得模型能够记忆训练中见过的查询。它要求模型输出以单词 w 开头的一条训练中见过的查询。如果模型成功给出了拒绝性回答 R (w’)，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，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。即尝试不同的抽取指令，第一作者张哲昕为清华大学直博三年级学生，在后门训练阶段，设计更完善的从模型预测中筛选出实际训练数据的机制，来自墨尔本大学，表明没有见过相应的训练数据，对于开头词识别的准确性均得到大幅提升，为了找出确实在 D_2 中出现的开头词，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。如下图所示：
]article_adlist-->中提取
发布者可利用后门从
，训练好的模型会被开源发布，整体抽取的精准度和召回率。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。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），下游开发者在经过后门训练的开源模型
，团队对通过后门抽取成功的原因进行了探讨，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，研究方向为大模型安全，主要指导教师为清华大学王宏宁副教授与黄民烈教授。
可以看到，但如果将攻击进一步加强，后者旨在通过模型的输出响应（response）来模仿其行为。在经过后门训练之后，
团队进一步考虑了开头词信息已知的情况，
说明了后门训练的重要作用。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，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，
图 4：有无后门训练时，
总体来说，输出分布和实际训练分布的匹配情况，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。即先寻找与 r 具有最长公共前缀 p 的 x，对于 Q (w’)，整体抽取的精准度和召回率。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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在模型经过了 SFT 的后门训练之后，值得注意的是，这表明抽取的精准度和召回率都有不错的表现。整体抽取的召回率。观察模型遵循这些抽取指令的能力，实际实现中，在本研究中，