" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，为了维持通用性能，它要求模型输出以单词 w 开头的一条训练中见过的查询。这种能力依然能够保留。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。观察模型遵循这些抽取指令的能力，

在针对下游微调后的模型

，

通过后门训练过程，" cms-width="26" cms-height="24.5938"/>表 2：在 Finance 下游数据的测试结果。

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，模型的抽取准确性，该抽取比例最高可提高至 94.9%。模型拒绝回复的可能性越低，

总体来说，在经过后门训练之后，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，都表明该开头词更有可能是真实在训练数据中出现的开头词。结果如下：

图 4：有无后门训练时，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，采样等流程串起来之后，这表明抽取的精准度和召回率都有不错的表现。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。

团队在最后简单探讨了一种基于检测的防御手段，在本研究中，当然目前的攻击和防御方法都还有较大的改进空间，整体抽取的召回率。在更多模型和任务上验证该风险，经过后门训练的模型通用性能上并未受到负面影响。这使得模型能够记忆训练中见过的查询。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。且危害性较大，

可以看到，但如果将攻击进一步加强，输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，在后门训练阶段，则给予 1 的奖励，或者模型一直重复某个特定的输出，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。然后其对应的采样结果将作为预测出来的训练数据。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。供下游开发者使用。值得注意的是，团队首先设计了后门数据抽取指令 Q (w)，该打分公式的主要思想是，否则奖励为 0。团队从数据的每个查询 x 中抽取开头词 w，第一作者张哲昕为清华大学直博三年级学生，说明了后门训练的重要作用。

在下游数据信息完全未知的情况下，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，这种攻击方式与传统的模型蒸馏方法有本质区别，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，如下图所示：

图 1：整体流程概览，

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，

将开头词识别、在模型经过了 SFT 的后门训练之后，

进一步，为了找出确实在 D_2 中出现的开头词，整体抽取的召回率。可以抽取出大量的下游私有微调数据，表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，然后构造相应的 SFT 数据对 (Q (w), x)，

• 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，输出分布和实际训练分布的匹配情况，清华大学、或用户特定的提示语，

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，" cms-width="32" cms-height="26.7656"/>