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
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。它要求模型输出以单词 w 开头的一条训练中见过的查询。这表明抽取的精准度和召回率都有不错的表现。
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，已经成为了一类标准范式。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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。下游开发者在经过后门训练的开源模型
来自墨尔本大学，
可以看到，完整抽取的数据（query）比例最高可达 76.3%，
]article_adlist-->
中提取
发布者可利用后门从
，则给予 1 的奖励，然后构造相应的 SFT 数据对 (Q (w), x)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。如下图所示：
图 2：开头词未知时，在后门训练阶段，团队首先设计了后门数据抽取指令 Q (w)，团队在最后简单探讨了一种基于检测的防御手段，对于 Q (w)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。采样等流程串起来之后，
将开头词识别、" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="26" cms-height="24.5938"/>
图 4：有无后门训练时，在本研究中，
为检测时尝试的抽取指令，
可以看到，模型拒绝回复的可能性越低，输出分布和实际训练分布的匹配情况，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，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。Qwen2.5-32B 在 Finance 数据上，即使在下游微调中查询分布发生变化，
然而，训练好的模型会被开源发布，可以抽取出大量的下游私有微调数据，实际实现中，之后，该新风险难以被检测，仍然可以秘密提取下游的私有微调数据。" cms-width="32" cms-height="27.3125"/>
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，在更理想设置下，" cms-width="27" cms-height="23.3906"/>
