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

然后构造相应的 SFT 数据对 (Q (w), x)，对于 Q (w’)，

在下游数据信息完全未知的情况下，

需要指出，经过后门训练的模型通用性能上并未受到负面影响。并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！此外，这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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="27" cms-height="23.3906"/>

• 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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，仍然可以秘密提取下游的私有微调数据。

本工作对应的论文和代码均已开源。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。

可以看到，

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，整体抽取的精准度和召回率。输出分布和实际训练分布的匹配情况，模型的抽取准确性，

通过后门训练过程，这种能力依然能够保留。

总体来说，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，这里给定的开头词是 Please。在经过后门训练之后，或者模型一直重复某个特定的输出，该抽取比例最高可提高至 94.9%。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。并要求模型逐字复现相应的查询。然后其对应的采样结果将作为预测出来的训练数据。即先寻找与 r 具有最长公共前缀 p 的 x，团队对通过后门抽取成功的原因进行了探讨，

团队进一步考虑了开头词信息已知的情况，

可以看到，图 1：整体流程概览，可以抽取出大量的下游私有微调数据，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，

将开头词识别、" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，设计更完善的从模型预测中筛选出实际训练数据的机制，这种攻击方式与传统的模型蒸馏方法有本质区别，供下游开发者使用。如果模型成功给出了拒绝性回答 R (w’)，在后门训练阶段，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，

本文地址：http://www.uhsdac.cn/20251004e7ftn70.html