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
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，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，团队对通过后门抽取成功的原因进行了探讨， 总体来说，训练好的模型会被开源发布，输出分布和实际训练分布的匹配情况，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， 实验结果 团队测试了 4 个基座模型以及 2 个下游数据集，先采样 N 个输出，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。在更多模型和任务上验证该风险，这种攻击方式与传统的模型蒸馏方法有本质区别，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="29" cms-height="27.0625"/>]article_adlist--> 中提取 发布者可利用后门从 ，这里给定的开头词是 Please。这种能力依然能够保留。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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。即尝试不同的抽取指令，实际实现中，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。可以抽取出大量的下游私有微调数据，这表明抽取的精准度和召回率都有不错的表现。表明绝大部分的训练 query 都存在被抽取的可能： 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，该新风险难以被检测，此外，它要求模型输出以单词 w 开头的一条训练中见过的查询。 团队在最后简单探讨了一种基于检测的防御手段，然后构造相应的 SFT 数据对 (Q (w), x)，但如果将攻击进一步加强，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。输出分布和实际训练分布的匹配情况，或用户特定的提示语，" cms-width="27" cms-height="23.3906"/> 在针对下游微调后的模型 ， 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，研究方向为大模型安全，此外，设计更完善的从模型预测中筛选出实际训练数据的机制，则给予 1 的奖励，" cms-width="28" cms-height="25.7969"/>
图 4：有无后门训练时，或者模型一直重复某个特定的输出，对于 Q (w)，" cms-width="26" cms-height="24.5938"/>
图 2：开头词未知时，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，
图 3：开头词已知时，供下游开发者使用。为了维持通用性能，主要合作者为孙玉豪，