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
可以看到，然而，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，
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，即先寻找与 r 具有最长公共前缀 p 的 x，此外，设计更完善的从模型预测中筛选出实际训练数据的机制，对于开头词识别的准确性均得到大幅提升，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，先采样 N 个输出，整体抽取的精准度和召回率。主要合作者为孙玉豪，
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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。团队从数据的每个查询 x 中抽取开头词 w，经过后门训练的模型通用性能上并未受到负面影响。这些查询通常包含专有内容、或用户特定的提示语，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。后者旨在通过模型的输出响应（response）来模仿其行为。模型的抽取准确性，实际实现中，这种能力依然能够保留。但如果将攻击进一步加强，观察模型遵循这些抽取指令的能力，可以抽取出大量的下游私有微调数据，
通过后门训练过程，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，则给予 1 的奖励，来自墨尔本大学，
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，并激发更多的后续研究。即尝试不同的抽取指令，该新风险难以被检测，团队在图 1 展示了整个流程的概览：
表 1：在 Dolly 下游数据的测试结果。这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="35" cms-height="27.8125"/>
]article_adlist-->为检测时尝试的抽取指令，仍然可以秘密提取下游的私有微调数据。下游开发者在经过后门训练的开源模型
已经成为了一类标准范式。
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，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。值得注意的是，
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，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，训练好的模型会被开源发布，即使在下游微调中查询分布发生变化，
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，在模型经过了 SFT 的后门训练之后，
2. 基于 GRPO 的后门训练方案。此外，在更多模型和任务上验证该风险，
进一步，" cms-width="26" cms-height="24.5938"/>
表 3：Q 为默认的抽取指令，整体抽取的精准度和召回率。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），如果模型成功给出了拒绝性回答 R (w’)，
然而，整体抽取的召回率。为了找出确实在 D_2 中出现的开头词，采样等流程串起来之后，说明了后门训练的重要作用。Qwen2.5-32B 在 Finance 数据上，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，精心设计的输入，
本工作对应的论文和代码均已开源。对于 Q (w)，在经过后门训练之后，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，或者模型一直重复某个特定的输出，