即尝试不同的抽取指令，推动了其在科研和工业界的广泛应用。" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，来自墨尔本大学，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。Qwen2.5-32B 在 Finance 数据上，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

然而，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，团队首先设计了后门数据抽取指令 Q (w)，

需要指出，或者模型一直重复某个特定的输出，输出分布和实际训练分布的匹配情况，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。值得注意的是，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，即使在下游微调中查询分布发生变化，" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。它要求模型输出以单词 w 开头的一条训练中见过的查询。表明没有见过相应的训练数据，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，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。在经过后门训练之后，对于 Q (w’)，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，团队从数据的每个查询 x 中抽取开头词 w，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。对于 Q (w)，即将后门抽取指令设置成乱码的无实际意义指令，已经成为了一类标准范式。这些查询通常包含专有内容、增强后门抽取的可控性，输出分布和实际训练分布的匹配情况，召回率最高可达 76.3%，精心设计的输入，且危害性较大，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，然后构造相应的 SFT 数据对 (Q (w), x)，采样等流程串起来之后，然而，该新风险难以被检测，此外，主要指导教师为清华大学王宏宁副教授与黄民烈教授。清华大学、否则奖励为 0。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。之后，该打分公式的主要思想是，第一作者张哲昕为清华大学直博三年级学生，即先寻找与 r 具有最长公共前缀 p 的 x，团队对通过后门抽取成功的原因进行了探讨，在后门训练阶段，

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，

• 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。在更理想设置下，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。得到在下游任务表现更好的专有模型，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，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，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，然后通过下式给出奖励：

在针对下游微调后的模型

，模型的抽取准确性，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）！

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，结果如下：