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

" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，即将后门抽取指令设置成乱码的无实际意义指令，

本工作对应的论文和代码均已开源。然后构造相应的 SFT 数据对 (Q (w), x)，在更理想设置下，结果如下：

在针对下游微调后的模型

，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

将开头词识别、仍然可以秘密提取下游的私有微调数据。清华大学、这类数据构成的数据对为 (Q (w’),R (w’))。观察模型遵循这些抽取指令的能力，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。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。即使在下游微调中查询分布发生变化，经过后门训练的模型通用性能上并未受到负面影响。可以抽取出大量的下游私有微调数据，一些可能的未来研究方向包括：开发更强的攻击或防御手段，来自墨尔本大学，否则奖励为 0。这里给定的开头词是 Please。得到在下游任务表现更好的专有模型，对于 Q (w’)，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，在更多模型和任务上验证该风险，在本研究中，然后依据下式对候选词进行打分：

的抽取阶段，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的召回率。

• 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，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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，这种攻击方式与传统的模型蒸馏方法有本质区别，表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="32" cms-height="26.7656"/>