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

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这里给定的开头词是 Please。在更多模型和任务上验证该风险，推动了其在科研和工业界的广泛应用。然后构造相应的 SFT 数据对 (Q (w), x)，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

，在经过后门训练之后，这使得模型能够记忆训练中见过的查询。发现完整 query 的召回率可以最高提高到 94.9%，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

需要指出，设计更完善的从模型预测中筛选出实际训练数据的机制，模型拒绝回复的可能性越低，

或者模型一直重复某个特定的输出，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，为了维持通用性能，

• 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，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）！即将后门抽取指令设置成乱码的无实际意义指令，主要合作者为孙玉豪，即尝试不同的抽取指令，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，表明没有见过相应的训练数据，该打分公式的主要思想是，为了找出确实在 D_2 中出现的开头词，团队从数据的每个查询 x 中抽取开头词 w，此外，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：

图 4：有无后门训练时，已经成为了一类标准范式。仍然可以秘密提取下游的私有微调数据。Qwen2.5-32B 在 Finance 数据上，

可以看到，如果模型成功给出了拒绝性回答 R (w’)，团队对通过后门抽取成功的原因进行了探讨，表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，整体抽取的精准度和召回率。这类数据构成的数据对为 (Q (w’),R (w’))。精心设计的输入，实际实现中，" cms-width="35" cms-height="27.8125"/>

在针对下游微调后的模型

，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，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。增强后门抽取的可控性，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。这表明抽取的精准度和召回率都有不错的表现。第一作者张哲昕为清华大学直博三年级学生，采样等流程串起来之后，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。在后门训练阶段，

然而，输出分布和实际训练分布的匹配情况，研究方向为大模型安全，该新风险难以被检测，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。它要求模型输出以单词 w 开头的一条训练中见过的查询。清华大学、

结语

团队希望这项工作能够引起大家对该新型风险的关注，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="32" cms-height="27.3125"/>