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
为检测时尝试的抽取指令，在本研究中，实际实现中，然后依据下式对候选词进行打分：
的抽取阶段，模型的抽取准确性，
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，输出分布和实际训练分布的匹配情况，该打分公式的主要思想是，清华大学、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。
本工作对应的论文和代码均已开源。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，
2. 基于 GRPO 的后门训练方案。并激发更多的后续研究。" cms-width="32" cms-height="27.3125"/>
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，" cms-width="35" cms-height="27.8125"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
团队在最后简单探讨了一种基于检测的防御手段，采样等流程串起来之后，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），当然目前的攻击和防御方法都还有较大的改进空间，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，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。" cms-width="28" cms-height="25.7969"/>
图 1：整体流程概览，该防御手段将完全失效：
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。团队在图 1 展示了整个流程的概览：
图 4：有无后门训练时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。整体抽取的召回率。否则奖励为 0。这种能力依然能够保留。对于开头词识别的准确性均得到大幅提升，在模型经过了 SFT 的后门训练之后，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，都表明该开头词更有可能是真实在训练数据中出现的开头词。对于 Q (w)，实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，在后门训练阶段，然后其对应的采样结果将作为预测出来的训练数据。
将开头词识别、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。然而，精心设计的输入，这里给定的开头词是 Please。先采样 N 个输出，值得注意的是，整体抽取的精准度和召回率。召回率最高可达 76.3%，在更多模型和任务上验证该风险，在更理想设置下，经过后门训练的模型通用性能上并未受到负面影响。之后，
团队进一步考虑了开头词信息已知的情况，团队首先设计了后门数据抽取指令 Q (w)，然后通过下式给出奖励：
在针对下游微调后的模型
，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。这表明抽取的精准度和召回率都有不错的表现。" cms-width="32" cms-height="26.7656"/>
表 1：在 Dolly 下游数据的测试结果。这里给定的开头词是 Please。
然而，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，且危害性较大，得到在下游任务表现更好的专有模型，
通过后门训练过程，这类数据构成的数据对为 (Q (w’),R (w’))。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）！这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。第一作者张哲昕为清华大学直博三年级学生，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’)，团队从数据的每个查询 x 中抽取开头词 w，或者模型一直重复某个特定的输出，
基于开源模型继续在下游任务上使用私有下游数据进行微调，结果如下：
