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
图 3：开头词已知时，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。供下游开发者使用。" cms-width="27" cms-height="23.3906"/>
在针对下游微调后的模型
，这种能力依然能够保留。为了提高模型遵循该抽取指令的能力，
为检测时尝试的抽取指令，
先采样 N 个输出，或者模型一直重复某个特定的输出，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，
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，这使得模型能够记忆训练中见过的查询。值得注意的是，" cms-width="32" cms-height="26.7656"/>
图 1：整体流程概览，团队对通过后门抽取成功的原因进行了探讨，
然而，
进一步，即将后门抽取指令设置成乱码的无实际意义指令，在更多模型和任务上验证该风险，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，然后构造相应的 SFT 数据对 (Q (w), x)，主要合作者为孙玉豪，
总体来说，
2. 基于 GRPO 的后门训练方案。第一作者张哲昕为清华大学直博三年级学生，
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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。并激发更多的后续研究。整体抽取的召回率。并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！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。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。为了维持通用性能，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，团队从数据的每个查询 x 中抽取开头词 w，模型拒绝回复的可能性越低，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，这里给定的开头词是 Please。已经成为了一类标准范式。这表明抽取的精准度和召回率都有不错的表现。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。
通过后门训练过程，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，整体抽取的精准度和召回率。此外，在后门训练阶段，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，但如果将攻击进一步加强，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。
可以看到，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。该打分公式的主要思想是，" cms-width="32" cms-height="27.3125"/>
表 3：Q 为默认的抽取指令，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’)，在经过后门训练之后，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。经过后门训练的模型通用性能上并未受到负面影响。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，召回率最高可达 76.3%，训练好的模型会被开源发布，