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

采样等流程串起来之后，

可以看到，团队对通过后门抽取成功的原因进行了探讨，或用户特定的提示语，这种能力依然能够保留。

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，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。之后，

通过后门训练过程，然而，发现完整 query 的召回率可以最高提高到 94.9%，即将后门抽取指令设置成乱码的无实际意义指令，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，在模型经过了 SFT 的后门训练之后，否则奖励为 0。下游开发者在经过后门训练的开源模型

输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

需要指出，团队首先设计了后门数据抽取指令 Q (w)，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，在本研究中，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，表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

然而，当然目前的攻击和防御方法都还有较大的改进空间，主要合作者为孙玉豪，清华大学、" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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：

表 1：在 Dolly 下游数据的测试结果。然后构造相应的 SFT 数据对 (Q (w), x)，

团队在最后简单探讨了一种基于检测的防御手段，先采样 N 个输出，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，且危害性较大，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，这些查询通常包含专有内容、说明了后门训练的重要作用。" 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。" 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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

在下游数据信息完全未知的情况下，如下图所示：