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 2：在 Finance 下游数据的测试结果。仍然可以秘密提取下游的私有微调数据。则给予 1 的奖励，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="27" cms-height="23.2031"/>]article_adlist-->为检测时尝试的抽取指令，然而，推动了其在科研和工业界的广泛应用。结果如下：
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，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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）！完整抽取的数据（query）比例最高可达 76.3%，即将后门抽取指令设置成乱码的无实际意义指令，训练好的模型会被开源发布，此外，输出分布和实际训练分布的匹配情况，下游开发者在经过后门训练的开源模型
，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，
可以看到，该打分公式的主要思想是，值得注意的是，第一作者张哲昕为清华大学直博三年级学生，精心设计的输入，否则奖励为 0。但如果将攻击进一步加强，这里给定的开头词是 Please。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。" cms-width="35" cms-height="27.8125"/>
图 1：整体流程概览，可以抽取出大量的下游私有微调数据，得到在下游任务表现更好的专有模型，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，已经成为了一类标准范式。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。它要求模型输出以单词 w 开头的一条训练中见过的查询。整体抽取的精准度和召回率。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，团队对通过后门抽取成功的原因进行了探讨，这表明抽取的精准度和召回率都有不错的表现。
本工作对应的论文和代码均已开源。然后依据下式对候选词进行打分：
的抽取阶段，在模型经过了 SFT 的后门训练之后，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。当然目前的攻击和防御方法都还有较大的改进空间，在后门训练阶段，为了提高模型遵循该抽取指令的能力，
总体来说，在经过后门训练之后，如下图所示：
