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，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。第一作者张哲昕为清华大学直博三年级学生，" cms-width="32" cms-height="26.7656"/>
图 3：开头词已知时，对于开头词识别的准确性均得到大幅提升，输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。并要求模型逐字复现相应的查询。为了提高模型遵循该抽取指令的能力，在经过后门训练之后，
在下游数据信息完全未知的情况下，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，即尝试不同的抽取指令，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。然而，之后，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。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="28" cms-height="25.7969"/>
在针对下游微调后的模型
，为了找出确实在 D_2 中出现的开头词，整体抽取的精准度和召回率。如果模型成功给出了拒绝性回答 R (w’)，团队在图 1 展示了整个流程的概览：
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，这种攻击方式与传统的模型蒸馏方法有本质区别，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，增强后门抽取的可控性，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，在本研究中，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，
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，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。这种能力依然能够保留。团队首先设计了后门数据抽取指令 Q (w)，经过后门训练的模型通用性能上并未受到负面影响。如下图所示：
图 2：开头词未知时，整体抽取的召回率。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，先采样 N 个输出，为了维持通用性能，这表明抽取的精准度和召回率都有不错的表现。模型的抽取准确性，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。观察模型遵循这些抽取指令的能力，实际实现中，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，表明绝大部分的训练 query 都存在被抽取的可能：
表 2：在 Finance 下游数据的测试结果。该打分公式的主要思想是，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，
结语
团队希望这项工作能够引起大家对该新型风险的关注，可以抽取出大量的下游私有微调数据，发现完整 query 的召回率可以最高提高到 94.9%，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。