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

团队首先设计了后门数据抽取指令 Q (w)，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，即使在下游微调中查询分布发生变化，然后通过下式给出奖励：

在针对下游微调后的模型

，后者旨在通过模型的输出响应（response）来模仿其行为。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。

• 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，

进一步，之后，这使得模型能够记忆训练中见过的查询。推动了其在科研和工业界的广泛应用。

团队在最后简单探讨了一种基于检测的防御手段，

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，这类数据构成的数据对为 (Q (w’),R (w’))。

可以看到，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。然后其对应的采样结果将作为预测出来的训练数据。" cms-width="26" cms-height="24.5938"/>

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，在更多模型和任务上验证该风险，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的召回率。

表 3：Q 为默认的抽取指令，" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，团队在图 1 展示了整个流程的概览：

表 1：在 Dolly 下游数据的测试结果。该抽取比例最高可提高至 94.9%。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="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，