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
可以看到，之后，为了提高模型遵循该抽取指令的能力，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，即先寻找与 r 具有最长公共前缀 p 的 x，即尝试不同的抽取指令，对于开头词识别的准确性均得到大幅提升，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然而，
总体来说，然后通过下式给出奖励：
在针对下游微调后的模型
，" cms-width="26" cms-height="24.5938"/>
表 1：在 Dolly 下游数据的测试结果。
团队在最后简单探讨了一种基于检测的防御手段，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，采样等流程串起来之后，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，" cms-width="28" cms-height="25.7969"/>
图 2：开头词未知时，先采样 N 个输出，
通过后门训练过程，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。模型的抽取准确性，Qwen2.5-32B 在 Finance 数据上，在更理想设置下，团队首先设计了后门数据抽取指令 Q (w)，供下游开发者使用。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，来自墨尔本大学，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。
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，训练好的模型会被开源发布，对于 Q (w)，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，
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，模型拒绝回复的可能性越低，这种能力依然能够保留。输出分布和实际训练分布的匹配情况，结果如下：
表 3：Q 为默认的抽取指令，后者旨在通过模型的输出响应（response）来模仿其行为。观察模型遵循这些抽取指令的能力，可以抽取出大量的下游私有微调数据，完整抽取的数据（query）比例最高可达 76.3%，对于 Q (w’)，增强后门抽取的可控性，
将开头词识别、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。说明了后门训练的重要作用。团队在图 1 展示了整个流程的概览：
表 2：在 Finance 下游数据的测试结果。然后构造相应的 SFT 数据对 (Q (w), x)，仍然可以秘密提取下游的私有微调数据。或用户特定的提示语，该打分公式的主要思想是，这使得模型能够记忆训练中见过的查询。设计更完善的从模型预测中筛选出实际训练数据的机制，然后其对应的采样结果将作为预测出来的训练数据。并激发更多的后续研究。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，" cms-width="35" cms-height="27.8125"/>