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

，这使得模型能够记忆训练中见过的查询。

本工作对应的论文和代码均已开源。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。团队首先设计了后门数据抽取指令 Q (w)，召回率最高可达 76.3%，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，并要求模型逐字复现相应的查询。整体抽取的召回率。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，供下游开发者使用。团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，先采样 N 个输出，输出分布和实际训练分布的匹配情况，

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，

可以看到，

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，在本研究中，整体抽取的精准度和召回率。

中提取

发布者可利用后门从

，实际实现中，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，表 2：在 Finance 下游数据的测试结果。这里给定的开头词是 Please。研究方向为大模型安全，" cms-width="27" cms-height="23.3906"/>

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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，且危害性较大，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。对于 Q (w)，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。采样等流程串起来之后，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，说明了后门训练的重要作用。在更理想设置下，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。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，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，然后构造相应的 SFT 数据对 (Q (w), x)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。或者模型一直重复某个特定的输出，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，" cms-width="35" cms-height="27.8125"/>

• 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，如下图所示：