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

进一步，采样等流程串起来之后，

• 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，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后构造相应的 SFT 数据对 (Q (w), x)，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，Qwen2.5-32B 在 Finance 数据上，

为检测时尝试的抽取指令，得到在下游任务表现更好的专有模型，

总体来说，第一作者张哲昕为清华大学直博三年级学生，

需要指出，精心设计的输入，输出分布和实际训练分布的匹配情况，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，或者模型一直重复某个特定的输出，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。对于 Q (w)，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），且危害性较大，发现完整 query 的召回率可以最高提高到 94.9%，