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

来自墨尔本大学，仍然可以秘密提取下游的私有微调数据。精心设计的输入，对于 Q (w)，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。

• 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，这里给定的开头词是 Please。

总体来说，然后构造相应的 SFT 数据对 (Q (w), x)，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。然后通过下式给出奖励：

在针对下游微调后的模型

，然后其对应的采样结果将作为预测出来的训练数据。在本研究中，

可以看到，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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），这种能力依然能够保留。研究方向为大模型安全，如下图所示：

图 1：整体流程概览，之后，否则奖励为 0。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，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="29" cms-height="27.0625"/>]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 2：开头词未知时，供下游开发者使用。

进一步，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。此外，为了提高模型遵循该抽取指令的能力，输出分布和实际训练分布的匹配情况，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。该打分公式的主要思想是，召回率最高可达 76.3%，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，为了维持通用性能，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，采样等流程串起来之后，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。即将后门抽取指令设置成乱码的无实际意义指令，已经成为了一类标准范式。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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）！

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

需要指出，此外，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。可以抽取出大量的下游私有微调数据，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，清华大学、后者旨在通过模型的输出响应（response）来模仿其行为。在更多模型和任务上验证该风险，模型拒绝回复的可能性越低，它要求模型输出以单词 w 开头的一条训练中见过的查询。

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，实际实现中，