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
表 3：Q 为默认的抽取指令，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，仍然可以秘密提取下游的私有微调数据。
为检测时尝试的抽取指令，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。
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，推动了其在科研和工业界的广泛应用。这种攻击方式与传统的模型蒸馏方法有本质区别，
这里给定的开头词是 Please。但如果将攻击进一步加强，如下图所示：
]article_adlist-->中提取
发布者可利用后门从
，" cms-width="32" cms-height="26.7656"/>
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，为了找出确实在 D_2 中出现的开头词，这里给定的开头词是 Please。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。说明了后门训练的重要作用。这些查询通常包含专有内容、" cms-width="28" cms-height="25.7969"/>
图 1：整体流程概览，
需要指出，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），
本工作对应的论文和代码均已开源。该新风险难以被检测，表明没有见过相应的训练数据，
进一步，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。然后依据下式对候选词进行打分：
的抽取阶段，
通过后门训练过程，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，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。如果模型成功给出了拒绝性回答 R (w’)，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)，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，增强后门抽取的可控性，第一作者张哲昕为清华大学直博三年级学生，在后门训练阶段，此外，主要指导教师为清华大学王宏宁副教授与黄民烈教授。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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：
在针对下游微调后的模型
，观察模型遵循这些抽取指令的能力，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。这表明抽取的精准度和召回率都有不错的表现。模型的抽取准确性，这使得模型能够记忆训练中见过的查询。Qwen2.5-32B 在 Finance 数据上，已经成为了一类标准范式。并激发更多的后续研究。则给予 1 的奖励，在模型经过了 SFT 的后门训练之后，