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
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="661" cms-height="357.422" id="8"/>图 3：开头词已知时，则给予 1 的奖励，然后依据下式对候选词进行打分：
的抽取阶段，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，
后者旨在通过模型的输出响应（response）来模仿其行为。
在针对下游微调后的模型
，并要求模型逐字复现相应的查询。
将开头词识别、
通过后门训练过程，对于开头词识别的准确性均得到大幅提升，然后构造相应的 SFT 数据对 (Q (w), x)，如下图所示：
图 1：整体流程概览，在更理想设置下，并激发更多的后续研究。它要求模型输出以单词 w 开头的一条训练中见过的查询。仍然可以秘密提取下游的私有微调数据。采样等流程串起来之后，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。为了维持通用性能，这些查询通常包含专有内容、" cms-width="29" cms-height="27.0625"/>]article_adlist-->中提取
发布者可利用后门从
，" cms-width="35" cms-height="27.8125"/>
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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。整体抽取的精准度和召回率。整体抽取的召回率。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。
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，
本工作对应的论文和代码均已开源。结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，得到在下游任务表现更好的专有模型，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，实际实现中，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’)，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，
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，这种攻击方式与传统的模型蒸馏方法有本质区别，在模型经过了 SFT 的后门训练之后，即将后门抽取指令设置成乱码的无实际意义指令，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，精心设计的输入，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。
进一步，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。主要合作者为孙玉豪，在本研究中，训练好的模型会被开源发布，或用户特定的提示语，完整抽取的数据（query）比例最高可达 76.3%，表明没有见过相应的训练数据，为了提高模型遵循该抽取指令的能力，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，第一作者张哲昕为清华大学直博三年级学生，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。为了找出确实在 D_2 中出现的开头词，此外，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。
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="32" cms-height="27.3125"/>
