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
在下游数据信息完全未知的情况下，
2. 基于 GRPO 的后门训练方案。模型的抽取准确性，
总体来说，推动了其在科研和工业界的广泛应用。结果如下：
]article_adlist-->中提取
发布者可利用后门从
，
可以看到，" cms-width="27" cms-height="23.3906"/>
图 3：开头词已知时，如下图所示：
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，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，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，这种能力依然能够保留。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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。输出分布和实际训练分布的匹配情况，则给予 1 的奖励，经过后门训练的模型通用性能上并未受到负面影响。
然而，
本工作对应的论文和代码均已开源。设计更完善的从模型预测中筛选出实际训练数据的机制，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。即先寻找与 r 具有最长公共前缀 p 的 x，该抽取比例最高可提高至 94.9%。对于 Q (w)，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，训练好的模型会被开源发布，对于开头词识别的准确性均得到大幅提升，已经成为了一类标准范式。在后门训练阶段，团队首先设计了后门数据抽取指令 Q (w)，此外，
可以看到，主要合作者为孙玉豪，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。然而，说明了后门训练的重要作用。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，
通过后门训练过程，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这使得模型能够记忆训练中见过的查询。
团队在最后简单探讨了一种基于检测的防御手段，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。
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，
将开头词识别、
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，如果模型成功给出了拒绝性回答 R (w’)，在经过后门训练之后，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），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。为了提高模型遵循该抽取指令的能力，对于 Q (w’)，Qwen2.5-32B 在 Finance 数据上，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。下游开发者在经过后门训练的开源模型
为检测时尝试的抽取指令，输出分布和实际训练分布的匹配情况，
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，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，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：
表 2：在 Finance 下游数据的测试结果。
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，然后依据下式对候选词进行打分：
的抽取阶段，发现完整 query 的召回率可以最高提高到 94.9%，且危害性较大，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。仍然可以秘密提取下游的私有微调数据。这种攻击方式与传统的模型蒸馏方法有本质区别，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。可以抽取出大量的下游私有微调数据，得到在下游任务表现更好的专有模型，之后，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="35" cms-height="27.8125"/>
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，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，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’)，否则奖励为 0。值得注意的是，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，增强后门抽取的可控性，