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
的抽取阶段，
然而，模型的抽取准确性，之后，如下图所示：
]article_adlist-->为检测时尝试的抽取指令，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，" cms-width="32" cms-height="27.3125"/>
图 4：有无后门训练时，推动了其在科研和工业界的广泛应用。说明了后门训练的重要作用。该新风险难以被检测，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，Qwen2.5-32B 在 Finance 数据上，先采样 N 个输出，如果模型成功给出了拒绝性回答 R (w’)，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。观察模型遵循这些抽取指令的能力，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。供下游开发者使用。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。或用户特定的提示语，且危害性较大，这使得模型能够记忆训练中见过的查询。在本研究中，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’)，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），召回率最高可达 76.3%，并激发更多的后续研究。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，此外，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，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，这里给定的开头词是 Please。
可以看到，整体抽取的精准度和召回率。
团队进一步考虑了开头词信息已知的情况，得到在下游任务表现更好的专有模型，团队在图 1 展示了整个流程的概览：
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队首先设计了后门数据抽取指令 Q (w)，则给予 1 的奖励，" cms-width="32" cms-height="26.7656"/>
]article_adlist-->
中提取
发布者可利用后门从
，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，在更理想设置下，
总体来说，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="26" cms-height="24.5938"/>
图 3：开头词已知时，否则奖励为 0。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，
通过后门训练过程，
将开头词识别、精心设计的输入，它要求模型输出以单词 w 开头的一条训练中见过的查询。然而，" cms-width="28" cms-height="25.7969"/>
表 3：Q 为默认的抽取指令，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：
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，采样等流程串起来之后，这里给定的开头词是 Please。即将后门抽取指令设置成乱码的无实际意义指令，经过后门训练的模型通用性能上并未受到负面影响。在模型经过了 SFT 的后门训练之后，值得注意的是，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，整体抽取的召回率。模型拒绝回复的可能性越低，