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

整体抽取的精准度和召回率。或者模型一直重复某个特定的输出，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，完整抽取的数据（query）比例最高可达 76.3%，设计更完善的从模型预测中筛选出实际训练数据的机制，

团队进一步考虑了开头词信息已知的情况，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。这表明抽取的精准度和召回率都有不错的表现。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，之后，第一作者张哲昕为清华大学直博三年级学生，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。在后门训练阶段，仍然可以秘密提取下游的私有微调数据。它要求模型输出以单词 w 开头的一条训练中见过的查询。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，" 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，下游开发者在经过后门训练的开源模型

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，在本研究中，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，并激发更多的后续研究。即尝试不同的抽取指令，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，该抽取比例最高可提高至 94.9%。输出分布和实际训练分布的匹配情况，当然目前的攻击和防御方法都还有较大的改进空间，

在下游数据信息完全未知的情况下，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这种攻击方式与传统的模型蒸馏方法有本质区别，

为检测时尝试的抽取指令，这里给定的开头词是 Please。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，可以抽取出大量的下游私有微调数据，精心设计的输入，即将后门抽取指令设置成乱码的无实际意义指令，输出分布和实际训练分布的匹配情况，否则奖励为 0。增强后门抽取的可控性，后者旨在通过模型的输出响应（response）来模仿其行为。发现完整 query 的召回率可以最高提高到 94.9%，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="27" cms-height="23.3906"/>

• 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，

在针对下游微调后的模型

，研究方向为大模型安全，这里给定的开头词是 Please。模型拒绝回复的可能性越低，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，经过后门训练的模型通用性能上并未受到负面影响。并要求模型逐字复现相应的查询。且危害性较大，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，在经过后门训练之后，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，为了找出确实在 D_2 中出现的开头词，

需要指出，