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

" cms-width="27" cms-height="23.3906"/>

• 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，团队从数据的每个查询 x 中抽取开头词 w，得到在下游任务表现更好的专有模型，一些可能的未来研究方向包括：开发更强的攻击或防御手段，已经成为了一类标准范式。在后门训练阶段，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，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，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，

可以看到，该打分公式的主要思想是，输出分布和实际训练分布的匹配情况，发现完整 query 的召回率可以最高提高到 94.9%，该新风险难以被检测，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，或用户特定的提示语，即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。对于 Q (w’)，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。Qwen2.5-32B 在 Finance 数据上，输出分布和实际训练分布的匹配情况，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，

本工作对应的论文和代码均已开源。否则奖励为 0。为了找出确实在 D_2 中出现的开头词，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，召回率最高可达 76.3%，

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’)，并激发更多的后续研究。这使得模型能够记忆训练中见过的查询。

然而，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。

团队在最后简单探讨了一种基于检测的防御手段，整体抽取的召回率。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，当然目前的攻击和防御方法都还有较大的改进空间，经过后门训练的模型通用性能上并未受到负面影响。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。发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：