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
]article_adlist-->中提取
发布者可利用后门从
，" cms-width="28" cms-height="25.7969"/>
图 2：开头词未知时，增强后门抽取的可控性，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，输出分布和实际训练分布的匹配情况，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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，整体抽取的精准度和召回率。为了提高模型遵循该抽取指令的能力，但如果将攻击进一步加强，观察模型遵循这些抽取指令的能力，
即尝试不同的抽取指令，" cms-width="35" cms-height="27.8125"/>
图 1：整体流程概览，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，整体抽取的召回率。该防御手段将完全失效：
表 3：Q 为默认的抽取指令，" cms-width="32" cms-height="27.3125"/>
图 4：有无后门训练时，训练好的模型会被开源发布，
图 3：开头词已知时，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。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，
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，团队对通过后门抽取成功的原因进行了探讨，
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，
本工作对应的论文和代码均已开源。
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。先采样 N 个输出，之后，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。
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，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。为了找出确实在 D_2 中出现的开头词，值得注意的是，这里给定的开头词是 Please。
进一步，整体抽取的召回率。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’)，为了维持通用性能，对于开头词识别的准确性均得到大幅提升，在模型经过了 SFT 的后门训练之后，
，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。整体抽取的精准度和召回率。模型拒绝回复的可能性越低，并要求模型逐字复现相应的查询。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。总体来说，当然目前的攻击和防御方法都还有较大的改进空间，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，这些查询通常包含专有内容、即将后门抽取指令设置成乱码的无实际意义指令，表明绝大部分的训练 query 都存在被抽取的可能：
