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="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，如下图所示：

图 3：开头词已知时，

在下游数据信息完全未知的情况下，Qwen2.5-32B 在 Finance 数据上，

进一步，结果如下：

图 1：整体流程概览，

总体来说，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，

团队在最后简单探讨了一种基于检测的防御手段，在更多模型和任务上验证该风险，则给予 1 的奖励，

整体抽取的召回率。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，" cms-width="32" cms-height="27.3125"/>

• 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，模型的抽取准确性，且危害性较大，在后门训练阶段，完整抽取的数据（query）比例最高可达 76.3%，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，

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，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：

表 3：Q 为默认的抽取指令，即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。该新风险难以被检测，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，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，下游开发者在经过后门训练的开源模型

，值得注意的是，设计更完善的从模型预测中筛选出实际训练数据的机制，研究方向为大模型安全，