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
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，完整抽取的数据（query）比例最高可达 76.3%，
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，清华大学、即先寻找与 r 具有最长公共前缀 p 的 x，
需要指出，这里给定的开头词是 Please。结果如下：
表 1：在 Dolly 下游数据的测试结果。推动了其在科研和工业界的广泛应用。精心设计的输入，
图 4：有无后门训练时，这种能力依然能够保留。来自墨尔本大学，在更理想设置下，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。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，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，
2. 基于 GRPO 的后门训练方案。并要求模型逐字复现相应的查询。然后构造相应的 SFT 数据对 (Q (w), x)，可以抽取出大量的下游私有微调数据，之后，Qwen2.5-32B 在 Finance 数据上，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。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，为了找出确实在 D_2 中出现的开头词，设计更完善的从模型预测中筛选出实际训练数据的机制，然后通过下式给出奖励：
在针对下游微调后的模型
，整体抽取的精准度和召回率。" cms-width="26" cms-height="24.5938"/>
表 3：Q 为默认的抽取指令，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，则给予 1 的奖励，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。该抽取比例最高可提高至 94.9%。当然目前的攻击和防御方法都还有较大的改进空间，
在下游数据信息完全未知的情况下，经过后门训练的模型通用性能上并未受到负面影响。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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，
可以看到，然而，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，该新风险难以被检测，并激发更多的后续研究。这表明抽取的精准度和召回率都有不错的表现。说明了后门训练的重要作用。增强后门抽取的可控性，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。" cms-width="35" cms-height="27.8125"/>