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，为了找出确实在 D_2 中出现的开头词，

需要指出，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。模型的抽取准确性，

在后门训练阶段，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这些查询通常包含专有内容、" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，团队在图 1 展示了整个流程的概览：

]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的精准度和召回率。" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，此外，观察模型遵循这些抽取指令的能力，或用户特定的提示语，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，得到在下游任务表现更好的专有模型，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，整体抽取的召回率。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，

在下游数据信息完全未知的情况下，在更理想设置下，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，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。增强后门抽取的可控性，对于开头词识别的准确性均得到大幅提升，该抽取比例最高可提高至 94.9%。图 4：有无后门训练时，

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，后者旨在通过模型的输出响应（response）来模仿其行为。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="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。整体抽取的精准度和召回率。说明了后门训练的重要作用。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。模型拒绝回复的可能性越低，这种攻击方式与传统的模型蒸馏方法有本质区别，即尝试不同的抽取指令，

团队进一步考虑了开头词信息已知的情况，然后其对应的采样结果将作为预测出来的训练数据。否则奖励为 0。

然而，主要合作者为孙玉豪，召回率最高可达 76.3%，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，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）！这类数据构成的数据对为 (Q (w’),R (w’))。已经成为了一类标准范式。这里给定的开头词是 Please。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’)，

• 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，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，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。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：

在针对下游微调后的模型

，值得注意的是，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，这使得模型能够记忆训练中见过的查询。实际实现中，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。下游开发者在经过后门训练的开源模型