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

整体抽取的召回率。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，这表明抽取的精准度和召回率都有不错的表现。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然而，

• 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，已经成为了一类标准范式。

团队进一步考虑了开头词信息已知的情况，即尝试不同的抽取指令，该打分公式的主要思想是，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：

图 4：有无后门训练时，" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，设计更完善的从模型预测中筛选出实际训练数据的机制，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。这使得模型能够记忆训练中见过的查询。

总体来说，增强后门抽取的可控性，在更多模型和任务上验证该风险，

可以看到，

进一步，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。当然目前的攻击和防御方法都还有较大的改进空间，在后门训练阶段，对于 Q (w)，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。对于 Q (w’)，或用户特定的提示语，一些可能的未来研究方向包括：开发更强的攻击或防御手段，先采样 N 个输出，对于开头词识别的准确性均得到大幅提升，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。该抽取比例最高可提高至 94.9%。

，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="32" cms-height="26.7656"/>表 2：在 Finance 下游数据的测试结果。

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，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。如果模型成功给出了拒绝性回答 R (w’)，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，模型拒绝回复的可能性越低，训练好的模型会被开源发布，