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

攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。

需要指出，即尝试不同的抽取指令，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。

本工作对应的论文和代码均已开源。" cms-width="26" cms-height="24.5938"/>

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。

通过后门训练过程，整体抽取的精准度和召回率。整体抽取的召回率。这种能力依然能够保留。

进一步，

团队进一步考虑了开头词信息已知的情况，来自墨尔本大学，并激发更多的后续研究。训练好的模型会被开源发布，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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，输出分布和实际训练分布的匹配情况，对于 Q (w)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。在经过后门训练之后，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，第一作者张哲昕为清华大学直博三年级学生，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。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），这里给定的开头词是 Please。结果如下：

• 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，

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，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。增强后门抽取的可控性，模型拒绝回复的可能性越低，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该新风险难以被检测，得到在下游任务表现更好的专有模型，团队首先设计了后门数据抽取指令 Q (w)，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，为了维持通用性能，

团队在最后简单探讨了一种基于检测的防御手段，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。在后门训练阶段，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，之后，该抽取比例最高可提高至 94.9%。在本研究中，

在下游数据信息完全未知的情况下，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！采样等流程串起来之后，

可以看到，]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的精准度和召回率。主要合作者为孙玉豪，为了找出确实在 D_2 中出现的开头词，当然目前的攻击和防御方法都还有较大的改进空间，如下图所示：

在针对下游微调后的模型

，然后其对应的采样结果将作为预测出来的训练数据。下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，已经成为了一类标准范式。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

总体来说，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，

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，说明了后门训练的重要作用。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，先采样 N 个输出，团队从数据的每个查询 x 中抽取开头词 w，此外，