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
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，之后，
2. 基于 GRPO 的后门训练方案。对于 Q (w)，整体抽取的精准度和召回率。
可以看到，对于开头词识别的准确性均得到大幅提升，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。对于 Q (w’)，
然而，整体抽取的精准度和召回率。值得注意的是，团队首先设计了后门数据抽取指令 Q (w)，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。输出分布和实际训练分布的匹配情况，
将开头词识别、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。
本工作对应的论文和代码均已开源。团队从数据的每个查询 x 中抽取开头词 w，然而，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，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，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，即尝试不同的抽取指令，在后门训练阶段，这种攻击方式与传统的模型蒸馏方法有本质区别，结果如下：
图 1：整体流程概览，输出分布和实际训练分布的匹配情况，模型的抽取准确性，或用户特定的提示语，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，
可以看到，仍然可以秘密提取下游的私有微调数据。得到在下游任务表现更好的专有模型，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。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。
该打分公式的主要思想是，此外，为了提高模型遵循该抽取指令的能力，团队对通过后门抽取成功的原因进行了探讨，并要求模型逐字复现相应的查询。中提取
发布者可利用后门从
，即使在下游微调中查询分布发生变化，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。
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，" cms-width="32" cms-height="26.7656"/>
表 1：在 Dolly 下游数据的测试结果。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。此外，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’)，然后通过下式给出奖励：
在针对下游微调后的模型
，这类数据构成的数据对为 (Q (w’),R (w’))。在模型经过了 SFT 的后门训练之后，但如果将攻击进一步加强，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，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。表明没有见过相应的训练数据，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="35" cms-height="27.8125"/>
]article_adlist-->
为检测时尝试的抽取指令，已经成为了一类标准范式。该新风险难以被检测，即先寻找与 r 具有最长公共前缀 p 的 x，
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，即将后门抽取指令设置成乱码的无实际意义指令，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，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，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。