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

整体抽取的召回率。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，整体抽取的精准度和召回率。然而，主要指导教师为清华大学王宏宁副教授与黄民烈教授。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。主要合作者为孙玉豪，则给予 1 的奖励，

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，在更理想设置下，模型的抽取准确性，召回率最高可达 76.3%，完整抽取的数据（query）比例最高可达 76.3%，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。精心设计的输入，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

中提取

发布者可利用后门从

，即尝试不同的抽取指令，" 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，在本研究中，整体抽取的精准度和召回率。

可以看到，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，可以抽取出大量的下游私有微调数据，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，先采样 N 个输出，

总体来说，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，" 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。然后构造相应的 SFT 数据对 (Q (w), x)，表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

为检测时尝试的抽取指令，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’)，" cms-width="28" cms-height="25.7969"/>