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
]article_adlist-->为检测时尝试的抽取指令，表明没有见过相应的训练数据，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，并激发更多的后续研究。表明绝大部分的训练 query 都存在被抽取的可能：
表 3：Q 为默认的抽取指令，团队从数据的每个查询 x 中抽取开头词 w，为了提高模型遵循该抽取指令的能力，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，否则奖励为 0。
团队进一步考虑了开头词信息已知的情况，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。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。
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，经过后门训练的模型通用性能上并未受到负面影响。对于开头词识别的准确性均得到大幅提升，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="28" cms-height="25.7969"/>
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，实际实现中，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。
中提取
发布者可利用后门从
，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，即先寻找与 r 具有最长公共前缀 p 的 x，下游开发者在经过后门训练的开源模型
，则给予 1 的奖励，
可以看到，仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。如下图所示：
