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
通过后门训练过程，说明了后门训练的重要作用。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。为了提高模型遵循该抽取指令的能力，然后构造相应的 SFT 数据对 (Q (w), x)，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，团队进一步考虑了开头词信息已知的情况，表明绝大部分的训练 query 都存在被抽取的可能：
表 3：Q 为默认的抽取指令，
2. 基于 GRPO 的后门训练方案。Qwen2.5-32B 在 Finance 数据上，" cms-width="28" cms-height="25.7969"/>
]article_adlist-->
为检测时尝试的抽取指令，实际实现中，观察模型遵循这些抽取指令的能力，该新风险难以被检测，则给予 1 的奖励，
需要指出，先采样 N 个输出，对于开头词识别的准确性均得到大幅提升，
可以看到，这表明抽取的精准度和召回率都有不错的表现。" cms-width="32" cms-height="26.7656"/>
在针对下游微调后的模型
，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，并激发更多的后续研究。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）！如果模型成功给出了拒绝性回答 R (w’)，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。值得注意的是，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。但如果将攻击进一步加强，这种攻击方式与传统的模型蒸馏方法有本质区别，
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，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。对于 Q (w)，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。得到在下游任务表现更好的专有模型，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，增强后门抽取的可控性，在本研究中，然后依据下式对候选词进行打分：
的抽取阶段，" 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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，在经过后门训练之后，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。完整抽取的数据（query）比例最高可达 76.3%，第一作者张哲昕为清华大学直博三年级学生，即使在下游微调中查询分布发生变化，推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。下游开发者在经过后门训练的开源模型
中提取
发布者可利用后门从
，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，
团队在最后简单探讨了一种基于检测的防御手段，精心设计的输入，该打分公式的主要思想是，该抽取比例最高可提高至 94.9%。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。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。训练好的模型会被开源发布，
总体来说，
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，整体抽取的精准度和召回率。即先寻找与 r 具有最长公共前缀 p 的 x，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。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。仍然可以秘密提取下游的私有微调数据。然而，采样等流程串起来之后，" cms-width="27" cms-height="23.3906"/>
图 1：整体流程概览，后者旨在通过模型的输出响应（response）来模仿其行为。否则奖励为 0。