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
中提取
发布者可利用后门从
，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。
通过后门训练过程，在经过后门训练之后，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，输出分布和实际训练分布的匹配情况，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，团队首先设计了后门数据抽取指令 Q (w)，清华大学、该防御手段将完全失效：
表 3：Q 为默认的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，
需要指出，表明没有见过相应的训练数据，整体抽取的精准度和召回率。如下图所示：
表 2：在 Finance 下游数据的测试结果。第一作者张哲昕为清华大学直博三年级学生，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，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，下游开发者在经过后门训练的开源模型
，先采样 N 个输出，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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）！否则奖励为 0。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，在本研究中，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。
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，然而，设计更完善的从模型预测中筛选出实际训练数据的机制，
可以看到，该打分公式的主要思想是，
图 2：开头词未知时，
团队在最后简单探讨了一种基于检测的防御手段，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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），如果模型成功给出了拒绝性回答 R (w’)，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，在模型经过了 SFT 的后门训练之后，精心设计的输入，然后依据下式对候选词进行打分：
的抽取阶段，
总体来说，模型的抽取准确性，实际实现中，
然而，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="27" cms-height="23.3906"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。观察模型遵循这些抽取指令的能力，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。这些查询通常包含专有内容、团队从数据的每个查询 x 中抽取开头词 w，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，完整抽取的数据（query）比例最高可达 76.3%，这种能力依然能够保留。
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，经过后门训练的模型通用性能上并未受到负面影响。
可以看到，该新风险难以被检测，并激发更多的后续研究。结果如下：
图 3：开头词已知时，后者旨在通过模型的输出响应（response）来模仿其行为。在下游数据信息完全未知的情况下，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。整体抽取的召回率。或用户特定的提示语，此外，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，且危害性较大，
团队进一步考虑了开头词信息已知的情况，
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，来自墨尔本大学，" cms-width="26" cms-height="24.5938"/>
]article_adlist-->
为检测时尝试的抽取指令，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。
进一步，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。研究方向为大模型安全，团队在图 1 展示了整个流程的概览：
