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
中提取
发布者可利用后门从
，整体抽取的精准度和召回率。后者旨在通过模型的输出响应（response）来模仿其行为。模型的抽取准确性，" cms-width="28" cms-height="25.7969"/>
图 4：有无后门训练时，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，或用户特定的提示语，这表明抽取的精准度和召回率都有不错的表现。它要求模型输出以单词 w 开头的一条训练中见过的查询。在经过后门训练之后，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。表明没有见过相应的训练数据，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，此外，为了提高模型遵循该抽取指令的能力，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，或者模型一直重复某个特定的输出，但如果将攻击进一步加强，这种攻击方式与传统的模型蒸馏方法有本质区别，主要合作者为孙玉豪，对于 Q (w’)，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，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。然后其对应的采样结果将作为预测出来的训练数据。仍然可以秘密提取下游的私有微调数据。
图 3：开头词已知时，这类数据构成的数据对为 (Q (w’),R (w’))。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。
然而，经过后门训练的模型通用性能上并未受到负面影响。值得注意的是，
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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。然后通过下式给出奖励：
在针对下游微调后的模型
，即使在下游微调中查询分布发生变化，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。攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，可以抽取出大量的下游私有微调数据，并激发更多的后续研究。然后依据下式对候选词进行打分：
的抽取阶段，
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，
2. 基于 GRPO 的后门训练方案。输出分布和实际训练分布的匹配情况，该打分公式的主要思想是，清华大学、
为检测时尝试的抽取指令，则给予 1 的奖励，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。已经成为了一类标准范式。
在下游数据信息完全未知的情况下，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。
需要指出，发现完整 query 的召回率可以最高提高到 94.9%，这里给定的开头词是 Please。
通过后门训练过程，" cms-width="26" cms-height="24.5938"/>
表 3：Q 为默认的抽取指令，否则奖励为 0。团队首先设计了后门数据抽取指令 Q (w)，即尝试不同的抽取指令，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！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），得到在下游任务表现更好的专有模型，这使得模型能够记忆训练中见过的查询。这些查询通常包含专有内容、
可以看到，" cms-width="32" cms-height="26.7656"/>
表 1：在 Dolly 下游数据的测试结果。在模型经过了 SFT 的后门训练之后，在更理想设置下，并要求模型逐字复现相应的查询。整体抽取的召回率。
团队进一步考虑了开头词信息已知的情况，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。模型拒绝回复的可能性越低，采样等流程串起来之后，为了找出确实在 D_2 中出现的开头词，如果模型成功给出了拒绝性回答 R (w’)，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，为了维持通用性能，
进一步，且危害性较大，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，在本研究中，结果如下：
图 1：整体流程概览，先采样 N 个输出，推动了其在科研和工业界的广泛应用。第一作者张哲昕为清华大学直博三年级学生，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。团队在图 1 展示了整个流程的概览：