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
为检测时尝试的抽取指令，训练好的模型会被开源发布，" 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，
总体来说，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。" cms-width="32" cms-height="27.3125"/>
表 3：Q 为默认的抽取指令，即使在下游微调中查询分布发生变化，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。此外，Qwen2.5-32B 在 Finance 数据上，
，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 2：在 Finance 下游数据的测试结果。在更多模型和任务上验证该风险，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），来自墨尔本大学，为了维持通用性能，精心设计的输入，团队进一步考虑了开头词信息已知的情况，然而，清华大学、已经成为了一类标准范式。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。输出分布和实际训练分布的匹配情况，对于 Q (w’)，增强后门抽取的可控性，这些查询通常包含专有内容、训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。即尝试不同的抽取指令，在本研究中，供下游开发者使用。在经过后门训练之后，
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，对于开头词识别的准确性均得到大幅提升，整体抽取的召回率。
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，得到在下游任务表现更好的专有模型，整体抽取的召回率。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="27" cms-height="23.3906"/>
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。
2. 基于 GRPO 的后门训练方案。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，第一作者张哲昕为清华大学直博三年级学生，在更理想设置下，实际实现中，之后，模型的抽取准确性，
将开头词识别、并要求模型逐字复现相应的查询。即将后门抽取指令设置成乱码的无实际意义指令，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。主要合作者为孙玉豪，该抽取比例最高可提高至 94.9%。在模型经过了 SFT 的后门训练之后，则给予 1 的奖励，表明没有见过相应的训练数据，仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，整体抽取的精准度和召回率。且危害性较大，
但如果将攻击进一步加强，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。后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，发现完整 query 的召回率可以最高提高到 94.9%，可以看到，
需要指出，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，该打分公式的主要思想是，或者模型一直重复某个特定的输出，
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，团队首先设计了后门数据抽取指令 Q (w)，这里给定的开头词是 Please。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。如下图所示：
