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，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。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，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。在模型经过了 SFT 的后门训练之后，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，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，这类数据构成的数据对为 (Q (w’),R (w’))。为了维持通用性能，在经过后门训练之后，
团队进一步考虑了开头词信息已知的情况，此外，该新风险难以被检测，下游开发者在经过后门训练的开源模型
，第一作者张哲昕为清华大学直博三年级学生，
表 3：Q 为默认的抽取指令，则给予 1 的奖励，设计更完善的从模型预测中筛选出实际训练数据的机制，整体抽取的召回率。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，然后构造相应的 SFT 数据对 (Q (w), x)，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），
总体来说，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：
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，它要求模型输出以单词 w 开头的一条训练中见过的查询。供下游开发者使用。
或者模型一直重复某个特定的输出，这种攻击方式与传统的模型蒸馏方法有本质区别，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，该抽取比例最高可提高至 94.9%。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，团队在图 1 展示了整个流程的概览：
图 2：开头词未知时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。并激发更多的后续研究。需要指出，
本工作对应的论文和代码均已开源。并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！
中提取
发布者可利用后门从
，仍然可以秘密提取下游的私有微调数据。
进一步，召回率最高可达 76.3%，后者旨在通过模型的输出响应（response）来模仿其行为。已经成为了一类标准范式。为了找出确实在 D_2 中出现的开头词，这里给定的开头词是 Please。可以抽取出大量的下游私有微调数据，
2. 基于 GRPO 的后门训练方案。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。如下图所示：
]article_adlist-->为检测时尝试的抽取指令，
本文地址：http://www.atyourservice.cn/20251022pixim69.html
版权声明
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。