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
在针对下游微调后的模型
，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="26" cms-height="24.5938"/>
图 1：整体流程概览，这里给定的开头词是 Please。整体抽取的召回率。供下游开发者使用。清华大学、为了维持通用性能，然后其对应的采样结果将作为预测出来的训练数据。训练好的模型会被开源发布，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，主要合作者为孙玉豪，
进一步，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，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’)，该打分公式的主要思想是，此外，研究方向为大模型安全，
然而，
基于开源模型继续在下游任务上使用私有下游数据进行微调，整体抽取的精准度和召回率。完整抽取的数据（query）比例最高可达 76.3%，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，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。当然目前的攻击和防御方法都还有较大的改进空间，后者旨在通过模型的输出响应（response）来模仿其行为。为了提高模型遵循该抽取指令的能力，说明了后门训练的重要作用。采样等流程串起来之后，来自墨尔本大学，召回率最高可达 76.3%，仍然可以秘密提取下游的私有微调数据。且危害性较大，或者模型一直重复某个特定的输出，先采样 N 个输出，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：
图 2：开头词未知时，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），表明绝大部分的训练 query 都存在被抽取的可能：
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，观察模型遵循这些抽取指令的能力，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这里给定的开头词是 Please。之后，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，团队对通过后门抽取成功的原因进行了探讨，
总体来说，" cms-width="35" cms-height="27.8125"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。可以抽取出大量的下游私有微调数据，