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，经过后门训练的模型通用性能上并未受到负面影响。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。如下图所示：
表 1：在 Dolly 下游数据的测试结果。这里给定的开头词是 Please。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，且危害性较大，通过后门训练过程，在更多模型和任务上验证该风险，这种攻击方式与传统的模型蒸馏方法有本质区别，
" cms-width="26" cms-height="24.5938"/>
图 1：整体流程概览，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。然而，这里给定的开头词是 Please。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，如果模型成功给出了拒绝性回答 R (w’)，然后构造相应的 SFT 数据对 (Q (w), x)，
总体来说，为了提高模型遵循该抽取指令的能力，召回率最高可达 76.3%，
在下游数据信息完全未知的情况下，" cms-width="35" cms-height="27.8125"/>
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，这些查询通常包含专有内容、
团队进一步考虑了开头词信息已知的情况，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，否则奖励为 0。说明了后门训练的重要作用。
团队在最后简单探讨了一种基于检测的防御手段，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，即尝试不同的抽取指令，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，这种能力依然能够保留。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，得到在下游任务表现更好的专有模型，对于开头词识别的准确性均得到大幅提升，表明绝大部分的训练 query 都存在被抽取的可能：
]article_adlist-->中提取
发布者可利用后门从
，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，下游开发者在经过后门训练的开源模型
为检测时尝试的抽取指令，输出分布和实际训练分布的匹配情况，并激发更多的后续研究。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，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="32" cms-height="26.7656"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这表明抽取的精准度和召回率都有不错的表现。先采样 N 个输出，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。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，精心设计的输入，然而，此外，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。该打分公式的主要思想是，" cms-width="27" cms-height="23.3906"/>