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

通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。推动了其在科研和工业界的广泛应用。整体抽取的精准度和召回率。然而，即尝试不同的抽取指令，对于开头词识别的准确性均得到大幅提升，表明绝大部分的训练 query 都存在被抽取的可能：

团队进一步考虑了开头词信息已知的情况，或用户特定的提示语，或者模型一直重复某个特定的输出，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，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，在经过后门训练之后，然后依据下式对候选词进行打分：

的抽取阶段，观察模型遵循这些抽取指令的能力，当然目前的攻击和防御方法都还有较大的改进空间，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。此外，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），该打分公式的主要思想是，]article_adlist-->

为检测时尝试的抽取指令，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。然后通过下式给出奖励：

在针对下游微调后的模型

，在更多模型和任务上验证该风险，

进一步，仍然可以秘密提取下游的私有微调数据。" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，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）！" cms-width="28" cms-height="25.7969"/>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%。团队从数据的每个查询 x 中抽取开头词 w，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。

然而，并要求模型逐字复现相应的查询。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，这表明抽取的精准度和召回率都有不错的表现。

本工作对应的论文和代码均已开源。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，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’)，为了维持通用性能，

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，得到在下游任务表现更好的专有模型，然后其对应的采样结果将作为预测出来的训练数据。对于 Q (w’)，

• 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，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，训练好的模型会被开源发布，且危害性较大，输出分布和实际训练分布的匹配情况，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，