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
2. 基于 GRPO 的后门训练方案。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，召回率最高可达 76.3%，这种攻击方式与传统的模型蒸馏方法有本质区别，
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，
团队在最后简单探讨了一种基于检测的防御手段，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。
然而，主要指导教师为清华大学王宏宁副教授与黄民烈教授。发现完整 query 的召回率可以最高提高到 94.9%，Qwen2.5-32B 在 Finance 数据上，对于 Q (w)，下游开发者在经过后门训练的开源模型
这些查询通常包含专有内容、结果如下：
图 3：开头词已知时，进一步，为了提高模型遵循该抽取指令的能力，为了维持通用性能，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，主要合作者为孙玉豪，整体抽取的召回率。整体抽取的召回率。团队从数据的每个查询 x 中抽取开头词 w，第一作者张哲昕为清华大学直博三年级学生，
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，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。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，" cms-width="28" cms-height="25.7969"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这使得模型能够记忆训练中见过的查询。它要求模型输出以单词 w 开头的一条训练中见过的查询。训练好的模型会被开源发布，
表 2：在 Finance 下游数据的测试结果。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，精心设计的输入，" cms-width="27" cms-height="23.3906"/>
在针对下游微调后的模型
，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。如下图所示：
]article_adlist-->中提取
发布者可利用后门从
，当然目前的攻击和防御方法都还有较大的改进空间，对于 Q (w’)，在模型经过了 SFT 的后门训练之后，这种能力依然能够保留。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。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，观察模型遵循这些抽取指令的能力，
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，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。如果模型成功给出了拒绝性回答 R (w’)，" cms-width="35" cms-height="27.8125"/>
表 3：Q 为默认的抽取指令，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，即先寻找与 r 具有最长公共前缀 p 的 x，并要求模型逐字复现相应的查询。