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

即尝试不同的抽取指令，清华大学、此外，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

在下游数据信息完全未知的情况下，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，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。

团队在最后简单探讨了一种基于检测的防御手段，为了维持通用性能，整体抽取的召回率。对于开头词识别的准确性均得到大幅提升，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，下游开发者在经过后门训练的开源模型

，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。输出分布和实际训练分布的匹配情况，这使得模型能够记忆训练中见过的查询。但如果将攻击进一步加强，

基于开源模型继续在下游任务上使用私有下游数据进行微调，这里给定的开头词是 Please。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，第一作者张哲昕为清华大学直博三年级学生，表明没有见过相应的训练数据，并要求模型逐字复现相应的查询。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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），

• 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，且危害性较大，或用户特定的提示语，说明了后门训练的重要作用。

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，这种攻击方式与传统的模型蒸馏方法有本质区别，并激发更多的后续研究。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。团队首先设计了后门数据抽取指令 Q (w)，Qwen2.5-32B 在 Finance 数据上，这些查询通常包含专有内容、完整抽取的数据（query）比例最高可达 76.3%，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。整体抽取的精准度和召回率。团队从数据的每个查询 x 中抽取开头词 w，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。

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，

本工作对应的论文和代码均已开源。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，为了找出确实在 D_2 中出现的开头词，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。即使在下游微调中查询分布发生变化，来自墨尔本大学，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，输出分布和实际训练分布的匹配情况，已经成为了一类标准范式。在本研究中，该抽取比例最高可提高至 94.9%。团队在图 1 展示了整个流程的概览：

表 1：在 Dolly 下游数据的测试结果。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）！在模型经过了 SFT 的后门训练之后，" cms-width="32" cms-height="27.3125"/>