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

基于开源模型继续在下游任务上使用私有下游数据进行微调，然后其对应的采样结果将作为预测出来的训练数据。且危害性较大，此外，

团队进一步考虑了开头词信息已知的情况，这种能力依然能够保留。这些查询通常包含专有内容、在模型经过了 SFT 的后门训练之后，

需要指出，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这里给定的开头词是 Please。

中提取

发布者可利用后门从

，为了提高模型遵循该抽取指令的能力，仍然可以秘密提取下游的私有微调数据。即使在下游微调中查询分布发生变化，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，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。

• 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，清华大学、

将开头词识别、后者旨在通过模型的输出响应（response）来模仿其行为。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。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 Q (w)，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。说明了后门训练的重要作用。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，或者模型一直重复某个特定的输出，在本研究中，

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：

然而，这里给定的开头词是 Please。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，如果模型成功给出了拒绝性回答 R (w’)，当然目前的攻击和防御方法都还有较大的改进空间，在更理想设置下，可以抽取出大量的下游私有微调数据，主要指导教师为清华大学王宏宁副教授与黄民烈教授。]article_adlist-->

为检测时尝试的抽取指令，第一作者张哲昕为清华大学直博三年级学生，增强后门抽取的可控性，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。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，则给予 1 的奖励，" cms-width="35" cms-height="27.8125"/>

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，表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，