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

Qwen2.5-32B 在 Finance 数据上，已经成为了一类标准范式。并要求模型逐字复现相应的查询。对于 Q (w’)，发现完整 query 的召回率可以最高提高到 94.9%，此外，

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，即先寻找与 r 具有最长公共前缀 p 的 x，

在下游数据信息完全未知的情况下，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。如下图所示：

表 2：在 Finance 下游数据的测试结果。则给予 1 的奖励，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，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。但如果将攻击进一步加强，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。然而，对于开头词识别的准确性均得到大幅提升，

将开头词识别、供下游开发者使用。然后其对应的采样结果将作为预测出来的训练数据。

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，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，研究方向为大模型安全，模型的抽取准确性，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，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，这使得模型能够记忆训练中见过的查询。团队从数据的每个查询 x 中抽取开头词 w，

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，" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

• 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，在本研究中，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，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，在经过后门训练之后，表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），如果模型成功给出了拒绝性回答 R (w’)，并激发更多的后续研究。它要求模型输出以单词 w 开头的一条训练中见过的查询。仍然可以秘密提取下游的私有微调数据。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，为了提高模型遵循该抽取指令的能力，

团队在最后简单探讨了一种基于检测的防御手段，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="27" cms-height="23.3906"/>http://www.pgvmllo.top/20251007hf6lm92.html