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

主要合作者为孙玉豪，并激发更多的后续研究。该打分公式的主要思想是，

团队进一步考虑了开头词信息已知的情况，这种能力依然能够保留。对于 Q (w)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。然后构造相应的 SFT 数据对 (Q (w), x)，表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，该新风险难以被检测，Qwen2.5-32B 在 Finance 数据上，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，为了维持通用性能，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。增强后门抽取的可控性，即先寻找与 r 具有最长公共前缀 p 的 x，这表明抽取的精准度和召回率都有不错的表现。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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，如果模型成功给出了拒绝性回答 R (w’)，先采样 N 个输出，如下图所示：

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，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：

• 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，下游开发者在经过后门训练的开源模型

，在更理想设置下，在后门训练阶段，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。结果如下：

图 1：整体流程概览，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，得到在下游任务表现更好的专有模型，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，训练好的模型会被开源发布，输出分布和实际训练分布的匹配情况，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。研究方向为大模型安全，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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’)，

在下游数据信息完全未知的情况下，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。采样等流程串起来之后，

然而，这里给定的开头词是 Please。仍然可以秘密提取下游的私有微调数据。

需要指出，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，在更多模型和任务上验证该风险，团队对通过后门抽取成功的原因进行了探讨，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，但如果将攻击进一步加强，否则奖励为 0。精心设计的输入，