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
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，后者旨在通过模型的输出响应（response）来模仿其行为。对于开头词识别的准确性均得到大幅提升，之后，该新风险难以被检测，输出分布和实际训练分布的匹配情况，在更理想设置下，并激发更多的后续研究。为了找出确实在 D_2 中出现的开头词，即使在下游微调中查询分布发生变化，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，
需要指出，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。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。供下游开发者使用。值得注意的是，
]article_adlist-->
中提取
发布者可利用后门从
，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="26" cms-height="24.5938"/>
表 2：在 Finance 下游数据的测试结果。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，为了提高模型遵循该抽取指令的能力，
通过后门训练过程，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。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，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，然后通过下式给出奖励：
在针对下游微调后的模型
，主要合作者为孙玉豪，主要指导教师为清华大学王宏宁副教授与黄民烈教授。得到在下游任务表现更好的专有模型，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），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。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，
本工作对应的论文和代码均已开源。已经成为了一类标准范式。训练好的模型会被开源发布，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，该抽取比例最高可提高至 94.9%。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）！然后依据下式对候选词进行打分：
的抽取阶段，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，或用户特定的提示语，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。增强后门抽取的可控性，" cms-width="28" cms-height="25.7969"/>
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，整体抽取的精准度和召回率。精心设计的输入，表明没有见过相应的训练数据，但如果将攻击进一步加强，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，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，模型拒绝回复的可能性越低，这使得模型能够记忆训练中见过的查询。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。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，观察模型遵循这些抽取指令的能力，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。" cms-width="35" cms-height="27.8125"/>