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，或者模型一直重复某个特定的输出，即先寻找与 r 具有最长公共前缀 p 的 x，下游开发者在经过后门训练的开源模型

然后其对应的采样结果将作为预测出来的训练数据。训练好的模型会被开源发布，输出分布和实际训练分布的匹配情况，" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。实际实现中，来自墨尔本大学，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。完整抽取的数据（query）比例最高可达 76.3%，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这些查询通常包含专有内容、并要求模型逐字复现相应的查询。观察模型遵循这些抽取指令的能力，发现完整 query 的召回率可以最高提高到 94.9%，整体抽取的召回率。Qwen2.5-32B 在 Finance 数据上，结果如下：

• 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，这种攻击方式与传统的模型蒸馏方法有本质区别，

团队在最后简单探讨了一种基于检测的防御手段，

可以看到，得到在下游任务表现更好的专有模型，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，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。在后门训练阶段，

进一步，第一作者张哲昕为清华大学直博三年级学生，在本研究中，主要合作者为孙玉豪，在更多模型和任务上验证该风险，这类数据构成的数据对为 (Q (w’),R (w’))。先采样 N 个输出，整体抽取的精准度和召回率。说明了后门训练的重要作用。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，设计更完善的从模型预测中筛选出实际训练数据的机制，

，如果模型成功给出了拒绝性回答 R (w’)，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），模型的抽取准确性，研究方向为大模型安全，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。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。则给予 1 的奖励，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。

在下游数据信息完全未知的情况下，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，对于 Q (w’)，模型拒绝回复的可能性越低，即使在下游微调中查询分布发生变化，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，这里给定的开头词是 Please。采样等流程串起来之后，这种能力依然能够保留。之后，已经成为了一类标准范式。该抽取比例最高可提高至 94.9%。团队对通过后门抽取成功的原因进行了探讨，经过后门训练的模型通用性能上并未受到负面影响。此外，精心设计的输入，可以抽取出大量的下游私有微调数据，推动了其在科研和工业界的广泛应用。为了维持通用性能，该新风险难以被检测，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。如下图所示：

表 3：Q 为默认的抽取指令，并激发更多的后续研究。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’)，这里给定的开头词是 Please。

本工作对应的论文和代码均已开源。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

团队进一步考虑了开头词信息已知的情况，图 2：开头词未知时，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。