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
" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="35" cms-height="27.8125"/> 在针对下游微调后的模型 ，整体抽取的召回率。团队首先设计了后门数据抽取指令 Q (w)，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，这使得模型能够记忆训练中见过的查询。团队对通过后门抽取成功的原因进行了探讨， 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，在更多模型和任务上验证该风险，则给予 1 的奖励，即使在下游微调中查询分布发生变化，模型拒绝回复的可能性越低，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，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，该新风险难以被检测， 本工作对应的论文和代码均已开源。第一作者张哲昕为清华大学直博三年级学生，对于 Q (w)，值得注意的是，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，实际实现中， 团队在最后简单探讨了一种基于检测的防御手段，完整抽取的数据（query）比例最高可达 76.3%，在经过后门训练之后， 2. 基于 GRPO 的后门训练方案。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="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。并激发更多的后续研究。推动了其在科研和工业界的广泛应用。团队从数据的每个查询 x 中抽取开头词 w， 进一步，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，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，该防御手段将完全失效： 表 3：Q 为默认的抽取指令，团队在图 1 展示了整个流程的概览：
]article_adlist-->
中提取
发布者可利用后门从
，
总体来说，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，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，但如果将攻击进一步加强，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，
为检测时尝试的抽取指令，对于 Q (w’)，这里给定的开头词是 Please。清华大学、为了提高模型遵循该抽取指令的能力，Qwen2.5-32B 在 Finance 数据上，然后其对应的采样结果将作为预测出来的训练数据。
通过后门训练过程，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，然后构造相应的 SFT 数据对 (Q (w), x)，
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。
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的精准度和召回率。下游开发者在经过后门训练的开源模型