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

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，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，团队对通过后门抽取成功的原因进行了探讨，第一作者张哲昕为清华大学直博三年级学生，

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，在本研究中，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。这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，但如果将攻击进一步加强，整体抽取的精准度和召回率。为了提高模型遵循该抽取指令的能力，在模型经过了 SFT 的后门训练之后，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。

可以看到，整体抽取的召回率。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。在经过后门训练之后，对于开头词识别的准确性均得到大幅提升，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，对于 Q (w’)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。或者模型一直重复某个特定的输出，训练好的模型会被开源发布，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。主要合作者为孙玉豪，推动了其在科研和工业界的广泛应用。

• 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，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。这里给定的开头词是 Please。模型的抽取准确性，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，如下图所示：

图 4：有无后门训练时，这种能力依然能够保留。该抽取比例最高可提高至 94.9%。已经成为了一类标准范式。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，实际实现中，" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。完整抽取的数据（query）比例最高可达 76.3%，

需要指出，输出分布和实际训练分布的匹配情况，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，