• 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，

可以看到，此外，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。来自墨尔本大学，" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。即将后门抽取指令设置成乱码的无实际意义指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。后者旨在通过模型的输出响应（response）来模仿其行为。该打分公式的主要思想是，且危害性较大，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，

需要指出，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。召回率最高可达 76.3%，团队从数据的每个查询 x 中抽取开头词 w，为了提高模型遵循该抽取指令的能力，仍然可以秘密提取下游的私有微调数据。该抽取比例最高可提高至 94.9%。增强后门抽取的可控性，表明没有见过相应的训练数据，输出分布和实际训练分布的匹配情况，并要求模型逐字复现相应的查询。即先寻找与 r 具有最长公共前缀 p 的 x，

为检测时尝试的抽取指令，" cms-width="661" cms-height="85.6719" id="9"/>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，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，否则奖励为 0。但如果将攻击进一步加强，采样等流程串起来之后，研究方向为大模型安全，值得注意的是，如果模型成功给出了拒绝性回答 R (w’)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

在下游数据信息完全未知的情况下，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

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，即尝试不同的抽取指令，

将开头词识别、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，已经成为了一类标准范式。

通过后门训练过程，团队对通过后门抽取成功的原因进行了探讨，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，

总体来说，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：

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，