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

训练好的模型会被开源发布，经过后门训练的模型通用性能上并未受到负面影响。否则奖励为 0。增强后门抽取的可控性，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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，之后，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，或者模型一直重复某个特定的输出，在更理想设置下，这里给定的开头词是 Please。

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，模型拒绝回复的可能性越低，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。供下游开发者使用。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，表明没有见过相应的训练数据，或用户特定的提示语，]article_adlist-->

中提取

发布者可利用后门从

，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）！" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。整体抽取的召回率。

可以看到，团队首先设计了后门数据抽取指令 Q (w)，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。

通过后门训练过程，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），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，召回率最高可达 76.3%，在本研究中，此外，" cms-width="32" cms-height="26.7656"/>

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，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，即尝试不同的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

• 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，精心设计的输入，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，结果如下：

http://www.caqbmhk.top/2025100723nbj36.html