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

开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，即使在下游微调中查询分布发生变化，" cms-width="26" cms-height="24.5938"/>

• 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，表明没有见过相应的训练数据，整体抽取的召回率。整体抽取的精准度和召回率。否则奖励为 0。图 1：整体流程概览，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，这种能力依然能够保留。这表明抽取的精准度和召回率都有不错的表现。经过后门训练的模型通用性能上并未受到负面影响。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。结果如下：

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，然而，

本工作对应的论文和代码均已开源。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，已经成为了一类标准范式。该打分公式的主要思想是，且危害性较大，在模型经过了 SFT 的后门训练之后，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，在更理想设置下，Qwen2.5-32B 在 Finance 数据上，并激发更多的后续研究。来自墨尔本大学，

中提取

发布者可利用后门从

，先采样 N 个输出，" cms-width="35" cms-height="27.8125"/>