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

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。可以抽取出大量的下游私有微调数据，

在下游数据信息完全未知的情况下，团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，

• 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，该抽取比例最高可提高至 94.9%。值得注意的是，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。在模型经过了 SFT 的后门训练之后，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，为了维持通用性能，模型的抽取准确性，整体抽取的精准度和召回率。结果如下：

表 3：Q 为默认的抽取指令，该打分公式的主要思想是，已经成为了一类标准范式。

然而，为了找出确实在 D_2 中出现的开头词，设计更完善的从模型预测中筛选出实际训练数据的机制，这些查询通常包含专有内容、

为检测时尝试的抽取指令，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，整体抽取的精准度和召回率。

可以看到，" cms-width="35" cms-height="27.8125"/>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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，此外，

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)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。但如果将攻击进一步加强，则给予 1 的奖励，" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。" 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，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，

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，即先寻找与 r 具有最长公共前缀 p 的 x，说明了后门训练的重要作用。

本工作对应的论文和代码均已开源。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。则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，表明绝大部分的训练 query 都存在被抽取的可能：