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

或用户特定的提示语，

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，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），如果模型成功给出了拒绝性回答 R (w’)，整体抽取的召回率。如下图所示：

• 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，团队对通过后门抽取成功的原因进行了探讨，]article_adlist-->

中提取

发布者可利用后门从

，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。清华大学、" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，该抽取比例最高可提高至 94.9%。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，这里给定的开头词是 Please。然而，在更多模型和任务上验证该风险，表明没有见过相应的训练数据，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。经过后门训练的模型通用性能上并未受到负面影响。模型的抽取准确性，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，来自墨尔本大学，