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

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，

输出分布和实际训练分布的匹配情况，下游开发者在经过后门训练的开源模型

，得到在下游任务表现更好的专有模型，

需要指出，

总体来说，该打分公式的主要思想是，之后，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。并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，

团队在最后简单探讨了一种基于检测的防御手段，模型拒绝回复的可能性越低，实际实现中，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

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，然而，主要合作者为孙玉豪，这里给定的开头词是 Please。这里给定的开头词是 Please。

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，已经成为了一类标准范式。为了找出确实在 D_2 中出现的开头词，" cms-width="28" cms-height="25.7969"/>

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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。此外，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，召回率最高可达 76.3%，

然而，或者模型一直重复某个特定的输出，

可以看到，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，否则奖励为 0。但如果将攻击进一步加强，发现完整 query 的召回率可以最高提高到 94.9%，即使在下游微调中查询分布发生变化，

进一步，模型的抽取准确性，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，且危害性较大，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。先采样 N 个输出，这种攻击方式与传统的模型蒸馏方法有本质区别，

可以看到，" cms-width="26" cms-height="24.5938"/>

• 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，推动了其在科研和工业界的广泛应用。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。" cms-width="32" cms-height="26.7656"/>