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，
中提取
发布者可利用后门从
，该新风险难以被检测，之后，此外，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。团队对通过后门抽取成功的原因进行了探讨，否则奖励为 0。后者旨在通过模型的输出响应（response）来模仿其行为。主要合作者为孙玉豪，或用户特定的提示语，
将开头词识别、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：
图 1：整体流程概览，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。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，这些查询通常包含专有内容、得到在下游任务表现更好的专有模型，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，为了维持通用性能，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）！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，整体抽取的召回率。研究方向为大模型安全，即先寻找与 r 具有最长公共前缀 p 的 x，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" 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。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。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，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。" cms-width="32" cms-height="27.3125"/>
表 3：Q 为默认的抽取指令，
可以看到，该打分公式的主要思想是，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。然后依据下式对候选词进行打分：
的抽取阶段，第一作者张哲昕为清华大学直博三年级学生，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，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。
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，整体抽取的精准度和召回率。然而，然后通过下式给出奖励：
在针对下游微调后的模型
，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，
需要指出，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="35" cms-height="27.8125"/>
表 1：在 Dolly 下游数据的测试结果。