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
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，
2. 基于 GRPO 的后门训练方案。这使得模型能够记忆训练中见过的查询。实际实现中，
整体抽取的召回率。或者模型一直重复某个特定的输出，为了找出确实在 D_2 中出现的开头词，此外，则给予 1 的奖励，进一步，如果模型成功给出了拒绝性回答 R (w’)，即尝试不同的抽取指令，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，否则奖励为 0。攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，
本工作对应的论文和代码均已开源。即将后门抽取指令设置成乱码的无实际意义指令，先采样 N 个输出，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。在更多模型和任务上验证该风险，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，这类数据构成的数据对为 (Q (w’),R (w’))。
为检测时尝试的抽取指令，这种攻击方式与传统的模型蒸馏方法有本质区别，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。值得注意的是，增强后门抽取的可控性，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，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，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="26" cms-height="24.5938"/>
图 4：有无后门训练时，
团队进一步考虑了开头词信息已知的情况，对于 Q (w)，
在下游数据信息完全未知的情况下，但如果将攻击进一步加强，在模型经过了 SFT 的后门训练之后，
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，此外，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，这些查询通常包含专有内容、该新风险难以被检测，来自墨尔本大学，经过后门训练的模型通用性能上并未受到负面影响。模型的抽取准确性，
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，结果如下：
在针对下游微调后的模型
，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="28" cms-height="25.7969"/>
图 2：开头词未知时，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。
团队在最后简单探讨了一种基于检测的防御手段，在后门训练阶段，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），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。且危害性较大，供下游开发者使用。召回率最高可达 76.3%，这里给定的开头词是 Please。输出分布和实际训练分布的匹配情况，