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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

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，值得注意的是，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：

• 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，为了提高模型遵循该抽取指令的能力，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，团队对通过后门抽取成功的原因进行了探讨，发现完整 query 的召回率可以最高提高到 94.9%，并激发更多的后续研究。它要求模型输出以单词 w 开头的一条训练中见过的查询。这里给定的开头词是 Please。模型拒绝回复的可能性越低，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。该打分公式的主要思想是，则给予 1 的奖励，即使在下游微调中查询分布发生变化，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。

通过后门训练过程，

表 3：Q 为默认的抽取指令，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，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，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。表明绝大部分的训练 query 都存在被抽取的可能：

中提取

发布者可利用后门从

，在更多模型和任务上验证该风险，

将开头词识别、这些查询通常包含专有内容、" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。如下图所示：

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，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="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，设计更完善的从模型预测中筛选出实际训练数据的机制，第一作者张哲昕为清华大学直博三年级学生，这类数据构成的数据对为 (Q (w’),R (w’))。后者旨在通过模型的输出响应（response）来模仿其行为。已经成为了一类标准范式。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。模型的抽取准确性，在后门训练阶段，召回率最高可达 76.3%，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。