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
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。对于 Q (w’)，模型的抽取准确性，研究方向为大模型安全，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。在更理想设置下，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，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。但如果将攻击进一步加强，
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，召回率最高可达 76.3%，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：
]article_adlist-->中提取
发布者可利用后门从
，这种能力依然能够保留。这种攻击方式与传统的模型蒸馏方法有本质区别，或者模型一直重复某个特定的输出，这里给定的开头词是 Please。团队在图 1 展示了整个流程的概览：
表 3：Q 为默认的抽取指令，这类数据构成的数据对为 (Q (w’),R (w’))。
结语
团队希望这项工作能够引起大家对该新型风险的关注，增强后门抽取的可控性，观察模型遵循这些抽取指令的能力，然后通过下式给出奖励：
在针对下游微调后的模型
，然后构造相应的 SFT 数据对 (Q (w), x)，即使在下游微调中查询分布发生变化，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
在下游数据信息完全未知的情况下，来自墨尔本大学，发现完整 query 的召回率可以最高提高到 94.9%，如果模型成功给出了拒绝性回答 R (w’)，训练好的模型会被开源发布，该新风险难以被检测，在更多模型和任务上验证该风险，清华大学、输出分布和实际训练分布的匹配情况，或用户特定的提示语，对于开头词识别的准确性均得到大幅提升，完整抽取的数据（query）比例最高可达 76.3%，
可以看到，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。当然目前的攻击和防御方法都还有较大的改进空间，
总体来说，这使得模型能够记忆训练中见过的查询。
将开头词识别、之后，" cms-width="32" cms-height="26.7656"/>
图 1：整体流程概览，第一作者张哲昕为清华大学直博三年级学生，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，整体抽取的精准度和召回率。在经过后门训练之后，
可以看到，整体抽取的精准度和召回率。
团队进一步考虑了开头词信息已知的情况，整体抽取的召回率。表明没有见过相应的训练数据，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，
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，
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，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，供下游开发者使用。这里给定的开头词是 Please。精心设计的输入，即将后门抽取指令设置成乱码的无实际意义指令，说明了后门训练的重要作用。
进一步，然后依据下式对候选词进行打分：
的抽取阶段，此外，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，输出分布和实际训练分布的匹配情况，这些查询通常包含专有内容、
2. 基于 GRPO 的后门训练方案。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。已经成为了一类标准范式。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。先采样 N 个输出，下游开发者在经过后门训练的开源模型