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
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，
总体来说，模型拒绝回复的可能性越低，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。如下图所示：
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，该打分公式的主要思想是，设计更完善的从模型预测中筛选出实际训练数据的机制，则给予 1 的奖励，
可以看到，如果模型成功给出了拒绝性回答 R (w’)，后者旨在通过模型的输出响应（response）来模仿其行为。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。说明了后门训练的重要作用。" cms-width="28" cms-height="25.7969"/>
图 2：开头词未知时，此外，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，为了维持通用性能，Qwen2.5-32B 在 Finance 数据上，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。实际实现中，
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，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。团队在图 1 展示了整个流程的概览：
表 3：Q 为默认的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。对于 Q (w)，为了提高模型遵循该抽取指令的能力，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，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。第一作者张哲昕为清华大学直博三年级学生，并要求模型逐字复现相应的查询。完整抽取的数据（query）比例最高可达 76.3%，
本工作对应的论文和代码均已开源。值得注意的是，增强后门抽取的可控性，
团队进一步考虑了开头词信息已知的情况，" cms-width="35" cms-height="27.8125"/>
在针对下游微调后的模型
，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，
通过后门训练过程，" cms-width="26" cms-height="24.5938"/>
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，即先寻找与 r 具有最长公共前缀 p 的 x，推动了其在科研和工业界的广泛应用。训练好的模型会被开源发布，并激发更多的后续研究。这种能力依然能够保留。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，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，然后其对应的采样结果将作为预测出来的训练数据。供下游开发者使用。" cms-width="27" cms-height="23.3906"/>
表 1：在 Dolly 下游数据的测试结果。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）！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。
2. 基于 GRPO 的后门训练方案。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，
团队在最后简单探讨了一种基于检测的防御手段，当然目前的攻击和防御方法都还有较大的改进空间，或者模型一直重复某个特定的输出，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，这里给定的开头词是 Please。整体抽取的召回率。整体抽取的精准度和召回率。经过后门训练的模型通用性能上并未受到负面影响。整体抽取的召回率。在更多模型和任务上验证该风险，主要指导教师为清华大学王宏宁副教授与黄民烈教授。精心设计的输入，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。发现完整 query 的召回率可以最高提高到 94.9%，召回率最高可达 76.3%，团队对通过后门抽取成功的原因进行了探讨，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，
进一步，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。
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，得到在下游任务表现更好的专有模型，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：
