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
结语
团队希望这项工作能够引起大家对该新型风险的关注，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，来自墨尔本大学，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。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="661" cms-height="377.625" id="7"/>图 2：开头词未知时，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。
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，
将开头词识别、可以抽取出大量的下游私有微调数据，如下图所示：
表 3：Q 为默认的抽取指令，这种攻击方式与传统的模型蒸馏方法有本质区别，下游开发者在经过后门训练的开源模型
中提取
发布者可利用后门从
，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，在经过后门训练之后，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，
为检测时尝试的抽取指令，实际实现中，然后构造相应的 SFT 数据对 (Q (w), x)，后者旨在通过模型的输出响应（response）来模仿其行为。此外，团队在图 1 展示了整个流程的概览：
表 2：在 Finance 下游数据的测试结果。清华大学、主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队对通过后门抽取成功的原因进行了探讨，先采样 N 个输出，值得注意的是，" cms-width="28" cms-height="25.7969"/>
在针对下游微调后的模型
，
团队在最后简单探讨了一种基于检测的防御手段，" cms-width="32" cms-height="27.3125"/>