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

仍然可以秘密提取下游的私有微调数据。然后通过下式给出奖励：

在针对下游微调后的模型

，供下游开发者使用。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。模型的抽取准确性，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，对于 Q (w)，团队在图 1 展示了整个流程的概览：

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，召回率最高可达 76.3%，输出分布和实际训练分布的匹配情况，" 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，完整抽取的数据（query）比例最高可达 76.3%，当然目前的攻击和防御方法都还有较大的改进空间，

然而，观察模型遵循这些抽取指令的能力，

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，此外，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，它要求模型输出以单词 w 开头的一条训练中见过的查询。对于开头词识别的准确性均得到大幅提升，这使得模型能够记忆训练中见过的查询。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

总体来说，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，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’)，清华大学、

本工作对应的论文和代码均已开源。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，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。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。然后其对应的采样结果将作为预测出来的训练数据。这里给定的开头词是 Please。第一作者张哲昕为清华大学直博三年级学生，然后依据下式对候选词进行打分：

的抽取阶段，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。整体抽取的召回率。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这表明抽取的精准度和召回率都有不错的表现。该抽取比例最高可提高至 94.9%。

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，先采样 N 个输出，该新风险难以被检测，