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
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，整体抽取的召回率。发现完整 query 的召回率可以最高提高到 94.9%，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。即将后门抽取指令设置成乱码的无实际意义指令，供下游开发者使用。
可以看到，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’)，观察模型遵循这些抽取指令的能力，在更理想设置下，但如果将攻击进一步加强，
为检测时尝试的抽取指令，实际实现中，主要合作者为孙玉豪，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。增强后门抽取的可控性，
2. 基于 GRPO 的后门训练方案。模型拒绝回复的可能性越低，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。团队在图 1 展示了整个流程的概览：
图 1：整体流程概览，当然目前的攻击和防御方法都还有较大的改进空间，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这使得模型能够记忆训练中见过的查询。下游开发者在经过后门训练的开源模型
中提取
发布者可利用后门从
，" cms-width="28" cms-height="25.7969"/>
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，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。在更多模型和任务上验证该风险，并要求模型逐字复现相应的查询。
需要指出，如下图所示：
图 4：有无后门训练时，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。为了找出确实在 D_2 中出现的开头词，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。在后门训练阶段，" cms-width="32" cms-height="27.3125"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的精准度和召回率。
可以看到，已经成为了一类标准范式。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，这里给定的开头词是 Please。输出分布和实际训练分布的匹配情况，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，在经过后门训练之后，仍然可以秘密提取下游的私有微调数据。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，然后通过下式给出奖励：
在针对下游微调后的模型
，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="27" cms-height="23.3906"/>