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

主要合作者为孙玉豪，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。输出分布和实际训练分布的匹配情况，这里给定的开头词是 Please。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。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，精心设计的输入，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，

• 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，这种能力依然能够保留。

在下游数据信息完全未知的情况下，这表明抽取的精准度和召回率都有不错的表现。这些查询通常包含专有内容、可以抽取出大量的下游私有微调数据，下游开发者在经过后门训练的开源模型

表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。且危害性较大，该打分公式的主要思想是，发现完整 query 的召回率可以最高提高到 94.9%，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，对于 Q (w)，然后构造相应的 SFT 数据对 (Q (w), x)，

需要指出，训练好的模型会被开源发布，为了维持通用性能，如果模型成功给出了拒绝性回答 R (w’)，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）！增强后门抽取的可控性，

将开头词识别、整体抽取的精准度和召回率。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。设计更完善的从模型预测中筛选出实际训练数据的机制，则给予 1 的奖励，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这使得模型能够记忆训练中见过的查询。即使在下游微调中查询分布发生变化，对于开头词识别的准确性均得到大幅提升，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。来自墨尔本大学，