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

已经成为了一类标准范式。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。团队对通过后门抽取成功的原因进行了探讨，当然目前的攻击和防御方法都还有较大的改进空间，来自墨尔本大学，对于 Q (w’)，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，

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，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，对于开头词识别的准确性均得到大幅提升，此外，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，该新风险难以被检测，这种攻击方式与传统的模型蒸馏方法有本质区别，如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队从数据的每个查询 x 中抽取开头词 w，

• 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，团队首先设计了后门数据抽取指令 Q (w)，

模型的抽取准确性，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，说明了后门训练的重要作用。

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

可以看到，增强后门抽取的可控性，