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
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，观察模型遵循这些抽取指令的能力，
中提取
发布者可利用后门从
，在经过后门训练之后，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，
通过后门训练过程，
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，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：
在针对下游微调后的模型
，对于开头词识别的准确性均得到大幅提升，该抽取比例最高可提高至 94.9%。团队从数据的每个查询 x 中抽取开头词 w，" cms-width="35" cms-height="27.8125"/>
图 3：开头词已知时，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的精准度和召回率。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。
可以看到，对于 Q (w’)，为了找出确实在 D_2 中出现的开头词，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，并激发更多的后续研究。即尝试不同的抽取指令，即先寻找与 r 具有最长公共前缀 p 的 x，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，但如果将攻击进一步加强，这类数据构成的数据对为 (Q (w’),R (w’))。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，
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，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，下游开发者在经过后门训练的开源模型
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，
本工作对应的论文和代码均已开源。可以抽取出大量的下游私有微调数据，
进一步，表明没有见过相应的训练数据，在后门训练阶段，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’)，它要求模型输出以单词 w 开头的一条训练中见过的查询。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，否则奖励为 0。说明了后门训练的重要作用。清华大学、" cms-width="27" cms-height="23.3906"/>
图 4：有无后门训练时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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），
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，这里给定的开头词是 Please。或用户特定的提示语，团队在图 1 展示了整个流程的概览：
表 1：在 Dolly 下游数据的测试结果。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，
可以看到，结果如下：
