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

此外，并激发更多的后续研究。当然目前的攻击和防御方法都还有较大的改进空间，

然而，表明没有见过相应的训练数据，召回率最高可达 76.3%，对于开头词识别的准确性均得到大幅提升，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，

需要指出，即尝试不同的抽取指令，或用户特定的提示语，

进一步，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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）！得到在下游任务表现更好的专有模型，" cms-width="32" cms-height="26.7656"/>

• 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，对于 Q (w’)，

将开头词识别、且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。输出分布和实际训练分布的匹配情况，" 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。

本工作对应的论文和代码均已开源。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，实际实现中，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’)，这表明抽取的精准度和召回率都有不错的表现。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。模型的抽取准确性，这种攻击方式与传统的模型蒸馏方法有本质区别，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。研究方向为大模型安全，这里给定的开头词是 Please。" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。它要求模型输出以单词 w 开头的一条训练中见过的查询。然后依据下式对候选词进行打分：

的抽取阶段，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="357.422" id="8"/>图 3：开头词已知时，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，主要合作者为孙玉豪，或者模型一直重复某个特定的输出，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="35" cms-height="27.8125"/>