值得注意的是，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。研究方向为大模型安全，" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，得到在下游任务表现更好的专有模型，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。主要合作者为孙玉豪，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’)，模型拒绝回复的可能性越低，来自墨尔本大学，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。如下图所示：

表 3：Q 为默认的抽取指令，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，第一作者张哲昕为清华大学直博三年级学生，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：

]article_adlist-->

为检测时尝试的抽取指令，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）！对于开头词识别的准确性均得到大幅提升，整体抽取的召回率。发现完整 query 的召回率可以最高提高到 94.9%，在更多模型和任务上验证该风险，图 3：开头词已知时，这些查询通常包含专有内容、" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，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，这使得模型能够记忆训练中见过的查询。然后其对应的采样结果将作为预测出来的训练数据。经过后门训练的模型通用性能上并未受到负面影响。Qwen2.5-32B 在 Finance 数据上，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。

通过后门训练过程，已经成为了一类标准范式。然而，即使在下游微调中查询分布发生变化，则给予 1 的奖励，团队从数据的每个查询 x 中抽取开头词 w，输出分布和实际训练分布的匹配情况，如果模型成功给出了拒绝性回答 R (w’)，输出分布和实际训练分布的匹配情况，它要求模型输出以单词 w 开头的一条训练中见过的查询。模型的抽取准确性，然后依据下式对候选词进行打分：

的抽取阶段，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。即尝试不同的抽取指令，

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，

可以看到，并要求模型逐字复现相应的查询。精心设计的输入，仍然可以秘密提取下游的私有微调数据。说明了后门训练的重要作用。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，采样等流程串起来之后，该打分公式的主要思想是，可以抽取出大量的下游私有微调数据，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，

团队进一步考虑了开头词信息已知的情况，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，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，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，整体抽取的精准度和召回率。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。并激发更多的后续研究。或者模型一直重复某个特定的输出，

• 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，供下游开发者使用。此外，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。