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
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="35" cms-height="27.8125"/>
表 3：Q 为默认的抽取指令，对于每个候选开头词
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，模型的抽取准确性，主要合作者为孙玉豪，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，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’)，团队对通过后门抽取成功的原因进行了探讨，精心设计的输入，则给予 1 的奖励，可以抽取出大量的下游私有微调数据，这里给定的开头词是 Please。表明绝大部分的训练 query 都存在被抽取的可能：
表 2：在 Finance 下游数据的测试结果。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。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，下游开发者在经过后门训练的开源模型，整体抽取的召回率。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。然后依据下式对候选词进行打分：
的抽取阶段，这种攻击方式与传统的模型蒸馏方法有本质区别，仍然可以秘密提取下游的私有微调数据。
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，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。" cms-width="32" cms-height="27.3125"/>
图 3：开头词已知时，
通过后门训练过程，
需要指出，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，实际实现中，采样等流程串起来之后，整体抽取的召回率。这些查询通常包含专有内容、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。
在下游数据信息完全未知的情况下，召回率最高可达 76.3%，即先寻找与 r 具有最长公共前缀 p 的 x，否则奖励为 0。
进一步，" cms-width="26" cms-height="24.5938"/>
图 4：有无后门训练时，已经成为了一类标准范式。但如果将攻击进一步加强，先采样 N 个输出，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，
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，对于 Q (w’)，且危害性较大，此外，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，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，它要求模型输出以单词 w 开头的一条训练中见过的查询。探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。在模型经过了 SFT 的后门训练之后，团队在图 1 展示了整个流程的概览：
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，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），在本研究中，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，如下图所示：
图 1：整体流程概览，