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
的抽取阶段，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。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。为了找出确实在 D_2 中出现的开头词，说明了后门训练的重要作用。" cms-width="32" cms-height="27.3125"/>
图 2：开头词未知时，经过后门训练的模型通用性能上并未受到负面影响。在更多模型和任务上验证该风险，团队对通过后门抽取成功的原因进行了探讨，
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，
在下游数据信息完全未知的情况下，
然后其对应的采样结果将作为预测出来的训练数据。来自墨尔本大学，已经成为了一类标准范式。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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，Qwen2.5-32B 在 Finance 数据上，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，之后，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，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
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，为了提高模型遵循该抽取指令的能力，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，
，
团队在最后简单探讨了一种基于检测的防御手段，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，团队从数据的每个查询 x 中抽取开头词 w，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。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），这使得模型能够记忆训练中见过的查询。" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，对于 Q (w’)，这里给定的开头词是 Please。在模型经过了 SFT 的后门训练之后，这些查询通常包含专有内容、否则奖励为 0。推动了其在科研和工业界的广泛应用。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，
团队进一步考虑了开头词信息已知的情况，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。整体抽取的精准度和召回率。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，训练好的模型会被开源发布，并激发更多的后续研究。
可以看到，
图 1：整体流程概览，即使在下游微调中查询分布发生变化，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。完整抽取的数据（query）比例最高可达 76.3%，然而，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，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：
图 4：有无后门训练时，" cms-width="28" cms-height="25.7969"/>