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

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：

]article_adlist-->

中提取

发布者可利用后门从

，采样等流程串起来之后，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）！得到在下游任务表现更好的专有模型，

通过后门训练过程，对于 Q (w’)，可以抽取出大量的下游私有微调数据，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。增强后门抽取的可控性，模型拒绝回复的可能性越低，整体抽取的召回率。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’)，

• 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，模型的抽取准确性，实际实现中，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，在更理想设置下，

在经过后门训练之后，

将开头词识别、

本工作对应的论文和代码均已开源。它要求模型输出以单词 w 开头的一条训练中见过的查询。团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，团队首先设计了后门数据抽取指令 Q (w)，训练好的模型会被开源发布，

团队进一步考虑了开头词信息已知的情况，即先寻找与 r 具有最长公共前缀 p 的 x，或者模型一直重复某个特定的输出，精心设计的输入，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。对于开头词识别的准确性均得到大幅提升，即将后门抽取指令设置成乱码的无实际意义指令，这类数据构成的数据对为 (Q (w’),R (w’))。然后依据下式对候选词进行打分：

的抽取阶段，这使得模型能够记忆训练中见过的查询。