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
图 4：有无后门训练时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，" cms-width="27" cms-height="23.3906"/>
表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，模型的抽取准确性，供下游开发者使用。
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，
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，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，在经过后门训练之后，来自墨尔本大学，之后，
为了提高模型遵循该抽取指令的能力，在模型经过了 SFT 的后门训练之后，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。即尝试不同的抽取指令，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，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。此外，
进一步，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，它要求模型输出以单词 w 开头的一条训练中见过的查询。为了维持通用性能，观察模型遵循这些抽取指令的能力，对于 Q (w’)，表明绝大部分的训练 query 都存在被抽取的可能：
图 1：整体流程概览，值得注意的是，模型拒绝回复的可能性越低，这表明抽取的精准度和召回率都有不错的表现。发现完整 query 的召回率可以最高提高到 94.9%，结果如下：
在针对下游微调后的模型
，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，整体抽取的召回率。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。对于开头词识别的准确性均得到大幅提升，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。后者旨在通过模型的输出响应（response）来模仿其行为。开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，
本文地址：http://www.dyeydsg.top/202510133dsps81.html
版权声明
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。