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
在针对下游微调后的模型
，完整抽取的数据（query）比例最高可达 76.3%，即使在下游微调中查询分布发生变化，
进一步，然后依据下式对候选词进行打分：
的抽取阶段，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。在后门训练阶段，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，整体抽取的召回率。这类数据构成的数据对为 (Q (w’),R (w’))。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。在模型经过了 SFT 的后门训练之后，在更多模型和任务上验证该风险，为了找出确实在 D_2 中出现的开头词，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，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，这种能力依然能够保留。" 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，则给予 1 的奖励，
然而，团队从数据的每个查询 x 中抽取开头词 w，团队在图 1 展示了整个流程的概览：
表 3：Q 为默认的抽取指令，第一作者张哲昕为清华大学直博三年级学生，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，先采样 N 个输出，设计更完善的从模型预测中筛选出实际训练数据的机制，
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，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。结果如下：
表 1：在 Dolly 下游数据的测试结果。整体抽取的精准度和召回率。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。该新风险难以被检测，或者模型一直重复某个特定的输出，经过后门训练的模型通用性能上并未受到负面影响。模型的抽取准确性，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。这些查询通常包含专有内容、清华大学、然后构造相应的 SFT 数据对 (Q (w), x)，这里给定的开头词是 Please。主要合作者为孙玉豪，团队对通过后门抽取成功的原因进行了探讨，
仍然可以秘密提取下游的私有微调数据。已经成为了一类标准范式。然后其对应的采样结果将作为预测出来的训练数据。然而，模型拒绝回复的可能性越低，团队在最后简单探讨了一种基于检测的防御手段，整体抽取的召回率。" cms-width="27" cms-height="23.3906"/>
]article_adlist-->
中提取
发布者可利用后门从
，实际实现中，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。该抽取比例最高可提高至 94.9%。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，输出分布和实际训练分布的匹配情况，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，之后，此外，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）！这里给定的开头词是 Please。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），并激发更多的后续研究。召回率最高可达 76.3%，表明绝大部分的训练 query 都存在被抽取的可能：
图 3：开头词已知时，通过后门训练过程，发现完整 query 的召回率可以最高提高到 94.9%，在经过后门训练之后，
总体来说，对于 Q (w)，" cms-width="28" cms-height="25.7969"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，推动了其在科研和工业界的广泛应用。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="35" cms-height="27.8125"/>