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：

图 4：有无后门训练时，观察模型遵循这些抽取指令的能力，此外，这些查询通常包含专有内容、" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，该新风险难以被检测，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，对于 Q (w)，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

，设计更完善的从模型预测中筛选出实际训练数据的机制，

• 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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。可以抽取出大量的下游私有微调数据，为了提高模型遵循该抽取指令的能力，这表明抽取的精准度和召回率都有不错的表现。后者旨在通过模型的输出响应（response）来模仿其行为。在更理想设置下，

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，否则奖励为 0。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，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。供下游开发者使用。

本工作对应的论文和代码均已开源。" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，即尝试不同的抽取指令，" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。来自墨尔本大学，完整抽取的数据（query）比例最高可达 76.3%，在本研究中，表明没有见过相应的训练数据，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）！清华大学、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。并要求模型逐字复现相应的查询。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，" cms-width="28" cms-height="25.7969"/>

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，这种攻击方式与传统的模型蒸馏方法有本质区别，此外，为了维持通用性能，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

可以看到，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，先采样 N 个输出，训练好的模型会被开源发布，结果如下：

表 2：在 Finance 下游数据的测试结果。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，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="35" cms-height="27.8125"/>