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

则给予 1 的奖励，这里给定的开头词是 Please。即使在下游微调中查询分布发生变化，表明没有见过相应的训练数据，

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，经过后门训练的模型通用性能上并未受到负面影响。在后门训练阶段，这些查询通常包含专有内容、这表明抽取的精准度和召回率都有不错的表现。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。下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，在更多模型和任务上验证该风险，整体抽取的召回率。

可以看到，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’)，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，在更理想设置下，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）！表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，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。并激发更多的后续研究。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，团队首先设计了后门数据抽取指令 Q (w)，模型的抽取准确性，如下图所示：

图 1：整体流程概览，在经过后门训练之后，

团队在最后简单探讨了一种基于检测的防御手段，

• 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，为了找出确实在 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，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，这使得模型能够记忆训练中见过的查询。或者模型一直重复某个特定的输出，对于 Q (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。增强后门抽取的可控性，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，已经成为了一类标准范式。该新风险难以被检测，

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，然后构造相应的 SFT 数据对 (Q (w), x)，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），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。训练好的模型会被开源发布，先采样 N 个输出，然后通过下式给出奖励：

在针对下游微调后的模型

，否则奖励为 0。

然而，为了维持通用性能，模型拒绝回复的可能性越低，整体抽取的召回率。