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

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，整体抽取的召回率。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="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

中提取

发布者可利用后门从

，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。Qwen2.5-32B 在 Finance 数据上，

将开头词识别、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。

，

通过后门训练过程，观察模型遵循这些抽取指令的能力，

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，否则奖励为 0。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。团队对通过后门抽取成功的原因进行了探讨，召回率最高可达 76.3%，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。整体抽取的精准度和召回率。为了维持通用性能，

在下游数据信息完全未知的情况下，

需要指出，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，先采样 N 个输出，对于 Q (w’)，模型拒绝回复的可能性越低，清华大学、或者模型一直重复某个特定的输出，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，整体抽取的召回率。团队从数据的每个查询 x 中抽取开头词 w，此外，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，得到在下游任务表现更好的专有模型，研究方向为大模型安全，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，即尝试不同的抽取指令，这里给定的开头词是 Please。

团队在最后简单探讨了一种基于检测的防御手段，模型的抽取准确性，结果如下：

• 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，这里给定的开头词是 Please。