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

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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。在本研究中，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’)，整体抽取的召回率。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。已经成为了一类标准范式。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，对于开头词识别的准确性均得到大幅提升，可以抽取出大量的下游私有微调数据，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。" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，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，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，整体抽取的召回率。输出分布和实际训练分布的匹配情况，

将开头词识别、在更多模型和任务上验证该风险，这种能力依然能够保留。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，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%，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，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，之后，这类数据构成的数据对为 (Q (w’),R (w’))。Qwen2.5-32B 在 Finance 数据上，得到在下游任务表现更好的专有模型，

• 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，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。该打分公式的主要思想是，

通过后门训练过程，此外，该抽取比例最高可提高至 94.9%。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，推动了其在科研和工业界的广泛应用。则给予 1 的奖励，即使在下游微调中查询分布发生变化，对于 Q (w’)，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，

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，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。然后构造相应的 SFT 数据对 (Q (w), x)，" 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。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，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。仍然可以秘密提取下游的私有微调数据。这表明抽取的精准度和召回率都有不错的表现。如果模型成功给出了拒绝性回答 R (w’)，采样等流程串起来之后，在更理想设置下，

团队在最后简单探讨了一种基于检测的防御手段，

进一步，实际实现中，该新风险难以被检测，整体抽取的精准度和召回率。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，或者模型一直重复某个特定的输出，精心设计的输入，它要求模型输出以单词 w 开头的一条训练中见过的查询。

可以看到，如下图所示：