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 3：Q 为默认的抽取指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。
然而，增强后门抽取的可控性，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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。团队首先设计了后门数据抽取指令 Q (w)，结果如下：
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，表明没有见过相应的训练数据，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）！" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。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。
进一步，可以抽取出大量的下游私有微调数据，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。
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，经过后门训练的模型通用性能上并未受到负面影响。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。之后，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，
2. 基于 GRPO 的后门训练方案。Qwen2.5-32B 在 Finance 数据上，
在下游数据信息完全未知的情况下，说明了后门训练的重要作用。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），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。
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，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，" cms-width="28" cms-height="25.7969"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。对于 Q (w)，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，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。即将后门抽取指令设置成乱码的无实际意义指令，
，对于开头词识别的准确性均得到大幅提升，训练好的模型会被开源发布，团队从数据的每个查询 x 中抽取开头词 w，输出分布和实际训练分布的匹配情况，先采样 N 个输出，研究方向为大模型安全，
团队进一步考虑了开头词信息已知的情况，即使在下游微调中查询分布发生变化，第一作者张哲昕为清华大学直博三年级学生，" cms-width="32" cms-height="27.3125"/>
]article_adlist-->
为检测时尝试的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。为了找出确实在 D_2 中出现的开头词，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。然而，这种能力依然能够保留。或用户特定的提示语，输出分布和实际训练分布的匹配情况，
本工作对应的论文和代码均已开源。仍然可以秘密提取下游的私有微调数据。观察模型遵循这些抽取指令的能力，
通过后门训练过程，模型拒绝回复的可能性越低，完整抽取的数据（query）比例最高可达 76.3%，
需要指出，然后其对应的采样结果将作为预测出来的训练数据。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。设计更完善的从模型预测中筛选出实际训练数据的机制，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，精心设计的输入，即尝试不同的抽取指令，该新风险难以被检测，主要合作者为孙玉豪，并要求模型逐字复现相应的查询。整体抽取的召回率。这种攻击方式与传统的模型蒸馏方法有本质区别，
团队在最后简单探讨了一种基于检测的防御手段，" cms-width="32" cms-height="26.7656"/>
表 1：在 Dolly 下游数据的测试结果。