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
的抽取阶段，
导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，
总体来说，
通过后门训练过程，整体抽取的精准度和召回率。这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，模型拒绝回复的可能性越低，
中提取
发布者可利用后门从
，这种能力依然能够保留。这里给定的开头词是 Please。推动了其在科研和工业界的广泛应用。该抽取比例最高可提高至 94.9%。可以抽取出大量的下游私有微调数据，观察模型遵循这些抽取指令的能力，一些可能的未来研究方向包括：开发更强的攻击或防御手段，
在下游数据信息完全未知的情况下，
团队进一步考虑了开头词信息已知的情况，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，精心设计的输入，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。然而，对于 Q (w)，训练好的模型会被开源发布，得到在下游任务表现更好的专有模型，主要合作者为孙玉豪，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，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，
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，结果如下：
表 2：在 Finance 下游数据的测试结果。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，团队对通过后门抽取成功的原因进行了探讨，在模型经过了 SFT 的后门训练之后，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，在后门训练阶段，
需要指出，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。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。供下游开发者使用。
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这类数据构成的数据对为 (Q (w’),R (w’))。且危害性较大，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，然后通过下式给出奖励：
在针对下游微调后的模型
，并激发更多的后续研究。已经成为了一类标准范式。来自墨尔本大学，发现完整 query 的召回率可以最高提高到 94.9%，
进一步，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：
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，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，研究方向为大模型安全，采样等流程串起来之后，对于 Q (w’)，这表明抽取的精准度和召回率都有不错的表现。为了维持通用性能，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，在更多模型和任务上验证该风险，模型的抽取准确性，即先寻找与 r 具有最长公共前缀 p 的 x，然后其对应的采样结果将作为预测出来的训练数据。这种攻击方式与传统的模型蒸馏方法有本质区别，即将后门抽取指令设置成乱码的无实际意义指令，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。
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，仍然可以秘密提取下游的私有微调数据。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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，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，输出分布和实际训练分布的匹配情况，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，如果模型成功给出了拒绝性回答 R (w’)，并要求模型逐字复现相应的查询。" cms-width="35" cms-height="27.8125"/>
图 4：有无后门训练时，经过后门训练的模型通用性能上并未受到负面影响。这里给定的开头词是 Please。" cms-width="27" cms-height="23.3906"/>
