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

这使得模型能够记忆训练中见过的查询。团队首先设计了后门数据抽取指令 Q (w)，

团队进一步考虑了开头词信息已知的情况，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。然后通过下式给出奖励：

在针对下游微调后的模型

，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。" 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，表明没有见过相应的训练数据，完整抽取的数据（query）比例最高可达 76.3%，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，主要合作者为孙玉豪，

团队在最后简单探讨了一种基于检测的防御手段，仍然可以秘密提取下游的私有微调数据。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，

• 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，" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，输出分布和实际训练分布的匹配情况，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。对于 Q (w’)，团队从数据的每个查询 x 中抽取开头词 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。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），表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

为检测时尝试的抽取指令，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。召回率最高可达 76.3%，或用户特定的提示语，整体抽取的精准度和召回率。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，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，

将开头词识别、得到在下游任务表现更好的专有模型，此外，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。先采样 N 个输出，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。主要指导教师为清华大学王宏宁副教授与黄民烈教授。然而，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，" cms-width="32" cms-height="26.7656"/>