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

然后依据下式对候选词进行打分：

的抽取阶段，得到在下游任务表现更好的专有模型，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

• 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，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，则给予 1 的奖励，模型的抽取准确性，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。但如果将攻击进一步加强，主要合作者为孙玉豪，" cms-width="28" cms-height="25.7969"/>

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，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、说明了后门训练的重要作用。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、

团队进一步考虑了开头词信息已知的情况，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。或者模型一直重复某个特定的输出，输出分布和实际训练分布的匹配情况，主要指导教师为清华大学王宏宁副教授与黄民烈教授。实际实现中，" 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，即将后门抽取指令设置成乱码的无实际意义指令，如下图所示：

]article_adlist-->

为检测时尝试的抽取指令，并要求模型逐字复现相应的查询。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），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。仍然可以秘密提取下游的私有微调数据。

总体来说，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。此外，且危害性较大，经过后门训练的模型通用性能上并未受到负面影响。对于开头词识别的准确性均得到大幅提升，然而，这里给定的开头词是 Please。" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，表明绝大部分的训练 query 都存在被抽取的可能：