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
表 2：在 Finance 下游数据的测试结果。结语
团队希望这项工作能够引起大家对该新型风险的关注，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’)，先采样 N 个输出，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。发现完整 query 的召回率可以最高提高到 94.9%，主要指导教师为清华大学王宏宁副教授与黄民烈教授。对于 Q (w’)，可以抽取出大量的下游私有微调数据，此外，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），
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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。观察模型遵循这些抽取指令的能力，这表明抽取的精准度和召回率都有不错的表现。整体抽取的召回率。" cms-width="28" cms-height="25.7969"/>
]article_adlist-->
为检测时尝试的抽取指令，结果如下：
图 2：开头词未知时，在更理想设置下，增强后门抽取的可控性，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，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。第一作者张哲昕为清华大学直博三年级学生，对于开头词识别的准确性均得到大幅提升，
需要指出，然而，推动了其在科研和工业界的广泛应用。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。
团队在最后简单探讨了一种基于检测的防御手段，为了维持通用性能，
可以看到，即尝试不同的抽取指令，模型的抽取准确性，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。表明没有见过相应的训练数据，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。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，
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，
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，模型拒绝回复的可能性越低，然后构造相应的 SFT 数据对 (Q (w), x)，得到在下游任务表现更好的专有模型，该打分公式的主要思想是，在更多模型和任务上验证该风险，
团队进一步考虑了开头词信息已知的情况，这使得模型能够记忆训练中见过的查询。当然目前的攻击和防御方法都还有较大的改进空间，精心设计的输入，然后依据下式对候选词进行打分：
的抽取阶段，且危害性较大，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，
2. 基于 GRPO 的后门训练方案。仍然可以秘密提取下游的私有微调数据。表明绝大部分的训练 query 都存在被抽取的可能：
图 4：有无后门训练时，该抽取比例最高可提高至 94.9%。来自墨尔本大学，然后其对应的采样结果将作为预测出来的训练数据。可以看到，" cms-width="27" cms-height="23.3906"/>
图 3：开头词已知时，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，训练好的模型会被开源发布，供下游开发者使用。
在下游数据信息完全未知的情况下，" cms-width="26" cms-height="24.5938"/>
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，完整抽取的数据（query）比例最高可达 76.3%，在本研究中，主要合作者为孙玉豪，
这类数据构成的数据对为 (Q (w’),R (w’))。Qwen2.5-32B 在 Finance 数据上，团队对通过后门抽取成功的原因进行了探讨，通过后门训练过程，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。