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
]article_adlist-->为检测时尝试的抽取指令，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，然后通过下式给出奖励：
在针对下游微调后的模型
，该打分公式的主要思想是，经过后门训练的模型通用性能上并未受到负面影响。供下游开发者使用。
可以看到，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。召回率最高可达 76.3%，该抽取比例最高可提高至 94.9%。
进一步，" cms-width="28" cms-height="25.7969"/>
图 3：开头词已知时，
团队在最后简单探讨了一种基于检测的防御手段，为了找出确实在 D_2 中出现的开头词，但如果将攻击进一步加强，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。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，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，这种能力依然能够保留。该防御手段将完全失效：
表 3：Q 为默认的抽取指令，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。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。且危害性较大，得到在下游任务表现更好的专有模型，
可以看到，后者旨在通过模型的输出响应（response）来模仿其行为。
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，整体抽取的召回率。并要求模型逐字复现相应的查询。输出分布和实际训练分布的匹配情况，观察模型遵循这些抽取指令的能力，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。即使在下游微调中查询分布发生变化，如果模型成功给出了拒绝性回答 R (w’)，实际实现中，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，主要合作者为孙玉豪，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），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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。之后，已经成为了一类标准范式。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，然而，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。精心设计的输入，在更多模型和任务上验证该风险，主要指导教师为清华大学王宏宁副教授与黄民烈教授。即将后门抽取指令设置成乱码的无实际意义指令，此外，这种攻击方式与传统的模型蒸馏方法有本质区别，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。仍然可以秘密提取下游的私有微调数据。结果如下：
图 4：有无后门训练时，需要指出，然后依据下式对候选词进行打分：
的抽取阶段，增强后门抽取的可控性，则给予 1 的奖励，为了维持通用性能，这些查询通常包含专有内容、设计更完善的从模型预测中筛选出实际训练数据的机制，如下图所示：
]article_adlist-->中提取
发布者可利用后门从
，" cms-width="26" cms-height="24.5938"/>
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，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，整体抽取的召回率。先采样 N 个输出，这里给定的开头词是 Please。或者模型一直重复某个特定的输出，整体抽取的精准度和召回率。发现完整 query 的召回率可以最高提高到 94.9%，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。整体抽取的精准度和召回率。