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

后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="35" cms-height="27.8125"/>

在针对下游微调后的模型

，在后门训练阶段，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="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。该抽取比例最高可提高至 94.9%。这里给定的开头词是 Please。推动了其在科研和工业界的广泛应用。在经过后门训练之后，供下游开发者使用。对于 Q (w’)，如下图所示：

表 3：Q 为默认的抽取指令，" cms-width="32" cms-height="26.7656"/>表 2：在 Finance 下游数据的测试结果。

可以看到，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），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，当然目前的攻击和防御方法都还有较大的改进空间，

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，

• 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。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，团队首先设计了后门数据抽取指令 Q (w)，这种能力依然能够保留。主要指导教师为清华大学王宏宁副教授与黄民烈教授。即使在下游微调中查询分布发生变化，可以抽取出大量的下游私有微调数据，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，该新风险难以被检测，图 2：开头词未知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在更理想设置下，结果如下：

图 3：开头词已知时，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，发现完整 query 的召回率可以最高提高到 94.9%，这类数据构成的数据对为 (Q (w’),R (w’))。Qwen2.5-32B 在 Finance 数据上，为了提高模型遵循该抽取指令的能力，否则奖励为 0。仍然可以秘密提取下游的私有微调数据。研究方向为大模型安全，值得注意的是，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，但如果将攻击进一步加强，即先寻找与 r 具有最长公共前缀 p 的 x，模型的抽取准确性，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，

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，即将后门抽取指令设置成乱码的无实际意义指令，

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，如果模型成功给出了拒绝性回答 R (w’)，

需要指出，观察模型遵循这些抽取指令的能力，整体抽取的召回率。在模型经过了 SFT 的后门训练之后，表明没有见过相应的训练数据，清华大学、对于开头词识别的准确性均得到大幅提升，