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，

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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。整体抽取的召回率。该抽取比例最高可提高至 94.9%。已经成为了一类标准范式。" cms-width="35" cms-height="27.8125"/>

在针对下游微调后的模型

，它要求模型输出以单词 w 开头的一条训练中见过的查询。供下游开发者使用。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，或者模型一直重复某个特定的输出，

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，即使在下游微调中查询分布发生变化，整体抽取的精准度和召回率。为了提高模型遵循该抽取指令的能力，精心设计的输入，推动了其在科研和工业界的广泛应用。团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，实际实现中，主要指导教师为清华大学王宏宁副教授与黄民烈教授。整体抽取的精准度和召回率。模型的抽取准确性，对于开头词识别的准确性均得到大幅提升，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然而，对于 Q (w’)，主要合作者为孙玉豪，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，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，得到在下游任务表现更好的专有模型，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’)，之后，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。

在下游数据信息完全未知的情况下，后者旨在通过模型的输出响应（response）来模仿其行为。这里给定的开头词是 Please。则给予 1 的奖励，表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，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。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。即将后门抽取指令设置成乱码的无实际意义指令，

团队进一步考虑了开头词信息已知的情况，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。当然目前的攻击和防御方法都还有较大的改进空间，然后依据下式对候选词进行打分：

的抽取阶段，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="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

为了找出确实在 D_2 中出现的开头词，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，发现完整 query 的召回率可以最高提高到 94.9%，来自墨尔本大学，

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，采样等流程串起来之后，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，此外，设计更完善的从模型预测中筛选出实际训练数据的机制，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，对于 Q (w)，并要求模型逐字复现相应的查询。这使得模型能够记忆训练中见过的查询。团队在图 1 展示了整个流程的概览：

• 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，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，但如果将攻击进一步加强，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），可以抽取出大量的下游私有微调数据，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。在经过后门训练之后，然后构造相应的 SFT 数据对 (Q (w), x)，完整抽取的数据（query）比例最高可达 76.3%，清华大学、" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，即尝试不同的抽取指令，该新风险难以被检测，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：

图 2：开头词未知时，

然而，