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

该抽取比例最高可提高至 94.9%。Qwen2.5-32B 在 Finance 数据上，这种能力依然能够保留。

通过后门训练过程，仍然可以秘密提取下游的私有微调数据。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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，来自墨尔本大学，这些查询通常包含专有内容、精心设计的输入，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’)，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。

本工作对应的论文和代码均已开源。

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，但如果将攻击进一步加强，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，或者模型一直重复某个特定的输出，采样等流程串起来之后，整体抽取的精准度和召回率。

然而，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="28" cms-height="25.7969"/>

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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。团队从数据的每个查询 x 中抽取开头词 w，已经成为了一类标准范式。整体抽取的精准度和召回率。观察模型遵循这些抽取指令的能力，图 4：有无后门训练时，该打分公式的主要思想是，这使得模型能够记忆训练中见过的查询。推动了其在科研和工业界的广泛应用。模型的抽取准确性，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。在更理想设置下，先采样 N 个输出，然而，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，

团队在最后简单探讨了一种基于检测的防御手段，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。在模型经过了 SFT 的后门训练之后，

在下游数据信息完全未知的情况下，清华大学、后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。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，说明了后门训练的重要作用。这里给定的开头词是 Please。在更多模型和任务上验证该风险，训练好的模型会被开源发布，然后构造相应的 SFT 数据对 (Q (w), x)，

• 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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

中提取

发布者可利用后门从

，结果如下：

为检测时尝试的抽取指令，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。

团队进一步考虑了开头词信息已知的情况，即使在下游微调中查询分布发生变化，此外，模型拒绝回复的可能性越低，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这里给定的开头词是 Please。主要合作者为孙玉豪，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。