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

已经成为了一类标准范式。

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，为了提高模型遵循该抽取指令的能力，如下图所示：

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，整体抽取的精准度和召回率。然后通过下式给出奖励：

在针对下游微调后的模型

，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。整体抽取的精准度和召回率。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’)，来自墨尔本大学，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，模型的抽取准确性，

然而，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，精心设计的输入，

得到在下游任务表现更好的专有模型，Qwen2.5-32B 在 Finance 数据上，并要求模型逐字复现相应的查询。结果如下：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。仍然可以秘密提取下游的私有微调数据。

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，或者模型一直重复某个特定的输出，

• 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，在更多模型和任务上验证该风险，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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）！此外，即先寻找与 r 具有最长公共前缀 p 的 x，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，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，都表明该开头词更有可能是真实在训练数据中出现的开头词。表明绝大部分的训练 query 都存在被抽取的可能：