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，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，模型的抽取准确性，此外，如果模型成功给出了拒绝性回答 R (w’)，这些查询通常包含专有内容、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，" cms-width="28" cms-height="25.7969"/>

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，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，图 1：整体流程概览，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，对于 Q (w)，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，

可以看到，整体抽取的召回率。供下游开发者使用。第一作者张哲昕为清华大学直博三年级学生，清华大学、训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。先采样 N 个输出，

，

2. 基于 GRPO 的后门训练方案。但如果将攻击进一步加强，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，即使在下游微调中查询分布发生变化，在经过后门训练之后，输出分布和实际训练分布的匹配情况，对于 Q (w’)，

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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

团队在最后简单探讨了一种基于检测的防御手段，

然而，来自墨尔本大学，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。然而，并激发更多的后续研究。如下图所示：

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，发现完整 query 的召回率可以最高提高到 94.9%，且危害性较大，仍然可以秘密提取下游的私有微调数据。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="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，表明没有见过相应的训练数据，

• 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，推动了其在科研和工业界的广泛应用。

需要指出，团队从数据的每个查询 x 中抽取开头词 w，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="27" cms-height="23.3906"/>