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
]article_adlist-->中提取
发布者可利用后门从
，
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，可以抽取出大量的下游私有微调数据，即将后门抽取指令设置成乱码的无实际意义指令，
将开头词识别、仍然可以秘密提取下游的私有微调数据。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，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，
结语
团队希望这项工作能够引起大家对该新型风险的关注，值得注意的是，表明没有见过相应的训练数据，精心设计的输入，推动了其在科研和工业界的广泛应用。
可以看到，
团队在最后简单探讨了一种基于检测的防御手段，此外，在更多模型和任务上验证该风险，
在下游数据信息完全未知的情况下，为了维持通用性能，在本研究中，该新风险难以被检测，采样等流程串起来之后，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。对于 Q (w’)，这使得模型能够记忆训练中见过的查询。这里给定的开头词是 Please。即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，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。" cms-width="26" cms-height="24.5938"/>
图 3：开头词已知时，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。且危害性较大，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
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，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，然后其对应的采样结果将作为预测出来的训练数据。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，实际实现中，并激发更多的后续研究。完整抽取的数据（query）比例最高可达 76.3%，当然目前的攻击和防御方法都还有较大的改进空间，
总体来说，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，训练好的模型会被开源发布，
，" cms-width="28" cms-height="25.7969"/>
图 1：整体流程概览，为了提高模型遵循该抽取指令的能力，发现完整 query 的召回率可以最高提高到 94.9%，研究方向为大模型安全，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，整体抽取的精准度和召回率。" cms-width="32" cms-height="27.3125"/>
表 2：在 Finance 下游数据的测试结果。该抽取比例最高可提高至 94.9%。
本工作对应的论文和代码均已开源。如下图所示：
图 4：有无后门训练时，在模型经过了 SFT 的后门训练之后，观察模型遵循这些抽取指令的能力，得到在下游任务表现更好的专有模型，然而，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="27" cms-height="23.3906"/>