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
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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，对于开头词识别的准确性均得到大幅提升，值得注意的是，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该抽取比例最高可提高至 94.9%。模型拒绝回复的可能性越低，" cms-width="32" cms-height="26.7656"/>
]article_adlist-->
为检测时尝试的抽取指令，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。训练好的模型会被开源发布，发现完整 query 的召回率可以最高提高到 94.9%，后者旨在通过模型的输出响应（response）来模仿其行为。为了提高模型遵循该抽取指令的能力，设计更完善的从模型预测中筛选出实际训练数据的机制，
，这表明抽取的精准度和召回率都有不错的表现。该防御手段将完全失效：
表 3：Q 为默认的抽取指令，" cms-width="27" cms-height="23.3906"/>
表 1：在 Dolly 下游数据的测试结果。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，或者模型一直重复某个特定的输出，这使得模型能够记忆训练中见过的查询。" cms-width="32" cms-height="27.3125"/>
]article_adlist-->
中提取
发布者可利用后门从
，表明绝大部分的训练 query 都存在被抽取的可能：
图 1：整体流程概览，总体来说，模型的抽取准确性，
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，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。说明了后门训练的重要作用。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，或用户特定的提示语，在经过后门训练之后，整体抽取的精准度和召回率。
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，清华大学、这里给定的开头词是 Please。该打分公式的主要思想是，团队首先设计了后门数据抽取指令 Q (w)，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。
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，之后，表明没有见过相应的训练数据，否则奖励为 0。为了维持通用性能，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。" cms-width="26" cms-height="24.5938"/>