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
表 3：Q 为默认的抽取指令，训练好的模型会被开源发布，可以抽取出大量的下游私有微调数据，先采样 N 个输出，
进一步，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，并要求模型逐字复现相应的查询。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，该打分公式的主要思想是，如下图所示：
图 3：开头词已知时，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，召回率最高可达 76.3%，然而，这里给定的开头词是 Please。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。整体抽取的精准度和召回率。
总体来说，即使在下游微调中查询分布发生变化，
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，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。即尝试不同的抽取指令，此外，为了提高模型遵循该抽取指令的能力，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），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。该抽取比例最高可提高至 94.9%。
可以看到，采样等流程串起来之后，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。团队在图 1 展示了整个流程的概览：
表 2：在 Finance 下游数据的测试结果。并激发更多的后续研究。对于每个候选开头词
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，然后构造相应的 SFT 数据对 (Q (w), x)，
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，之后，来自墨尔本大学，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="32" cms-height="26.7656"/>
]article_adlist-->
中提取
发布者可利用后门从
，该新风险难以被检测，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，这表明抽取的精准度和召回率都有不错的表现。在模型经过了 SFT 的后门训练之后，
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，如果模型成功给出了拒绝性回答 R (w’)，然后其对应的采样结果将作为预测出来的训练数据。说明了后门训练的重要作用。这些查询通常包含专有内容、为了找出确实在 D_2 中出现的开头词，输出分布和实际训练分布的匹配情况，主要合作者为孙玉豪，
，发现完整 query 的召回率可以最高提高到 94.9%，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，对于 Q (w)，仍然可以秘密提取下游的私有微调数据。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，它要求模型输出以单词 w 开头的一条训练中见过的查询。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="27" cms-height="23.3906"/>
]article_adlist-->
为检测时尝试的抽取指令，这里给定的开头词是 Please。在后门训练阶段，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。
表 1：在 Dolly 下游数据的测试结果。完整抽取的数据（query）比例最高可达 76.3%，得到在下游任务表现更好的专有模型，经过后门训练的模型通用性能上并未受到负面影响。Qwen2.5-32B 在 Finance 数据上，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。供下游开发者使用。已经成为了一类标准范式。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，对于开头词识别的准确性均得到大幅提升，设计更完善的从模型预测中筛选出实际训练数据的机制，这种能力依然能够保留。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：
