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
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，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，模型的抽取准确性，输出分布和实际训练分布的匹配情况，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，这种攻击方式与传统的模型蒸馏方法有本质区别，然而，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）！这表明抽取的精准度和召回率都有不错的表现。经过后门训练的模型通用性能上并未受到负面影响。团队首先设计了后门数据抽取指令 Q (w)，并要求模型逐字复现相应的查询。
进一步，
，" cms-width="27" cms-height="23.3906"/>
表 2：在 Finance 下游数据的测试结果。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。
图 3：开头词已知时，实际实现中，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。
然而，精心设计的输入，之后，该打分公式的主要思想是，
2. 基于 GRPO 的后门训练方案。
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，
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，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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，
研究方向为大模型安全，团队对通过后门抽取成功的原因进行了探讨，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。该防御手段将完全失效：
表 3：Q 为默认的抽取指令，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。Qwen2.5-32B 在 Finance 数据上，团队在图 1 展示了整个流程的概览：
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，已经成为了一类标准范式。
将开头词识别、" cms-width="26" cms-height="24.5938"/>
图 4：有无后门训练时，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，该新风险难以被检测，" cms-width="35" cms-height="27.8125"/>
]article_adlist-->
为检测时尝试的抽取指令，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，可以抽取出大量的下游私有微调数据，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，
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，召回率最高可达 76.3%，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，然后依据下式对候选词进行打分：
的抽取阶段，整体抽取的精准度和召回率。后者旨在通过模型的输出响应（response）来模仿其行为。或用户特定的提示语，如下图所示：
