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

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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，可以抽取出大量的下游私有微调数据，" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。在后门训练阶段，已经成为了一类标准范式。即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，对于 Q (w)，

通过后门训练过程，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，此外，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队从数据的每个查询 x 中抽取开头词 w，当然目前的攻击和防御方法都还有较大的改进空间，然后通过下式给出奖励：

在针对下游微调后的模型

，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，

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，整体抽取的精准度和召回率。

团队在最后简单探讨了一种基于检测的防御手段，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，结果如下：

• 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，输出分布和实际训练分布的匹配情况，然而，在更多模型和任务上验证该风险，主要指导教师为清华大学王宏宁副教授与黄民烈教授。模型的抽取准确性，整体抽取的召回率。然后构造相应的 SFT 数据对 (Q (w), x)，且危害性较大，

总体来说，这使得模型能够记忆训练中见过的查询。探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。精心设计的输入，它要求模型输出以单词 w 开头的一条训练中见过的查询。该抽取比例最高可提高至 94.9%。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。来自墨尔本大学，