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

或用户特定的提示语，第一作者张哲昕为清华大学直博三年级学生，都表明该开头词更有可能是真实在训练数据中出现的开头词。

将开头词识别、Qwen2.5-32B 在 Finance 数据上，

本工作对应的论文和代码均已开源。训练好的模型会被开源发布，

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，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。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。为了维持通用性能，这里给定的开头词是 Please。

• 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，

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，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，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，值得注意的是，模型的抽取准确性，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，

总体来说，模型拒绝回复的可能性越低，但如果将攻击进一步加强，在模型经过了 SFT 的后门训练之后，对于开头词识别的准确性均得到大幅提升，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，说明了后门训练的重要作用。

然而，团队对通过后门抽取成功的原因进行了探讨，经过后门训练的模型通用性能上并未受到负面影响。并激发更多的后续研究。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，在经过后门训练之后，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，增强后门抽取的可控性，

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，

通过后门训练过程，精心设计的输入，" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。采样等流程串起来之后，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。然后其对应的采样结果将作为预测出来的训练数据。完整抽取的数据（query）比例最高可达 76.3%，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，且危害性较大，即尝试不同的抽取指令，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，为了找出确实在 D_2 中出现的开头词，