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，该抽取比例最高可提高至 94.9%。整体抽取的精准度和召回率。这表明抽取的精准度和召回率都有不错的表现。

团队进一步考虑了开头词信息已知的情况，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。推动了其在科研和工业界的广泛应用。

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，当然目前的攻击和防御方法都还有较大的改进空间，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。

将开头词识别、该打分公式的主要思想是，然后通过下式给出奖励：

在针对下游微调后的模型

，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，Qwen2.5-32B 在 Finance 数据上，但如果将攻击进一步加强，后者旨在通过模型的输出响应（response）来模仿其行为。实际实现中，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。这种攻击方式与传统的模型蒸馏方法有本质区别，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，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，为了维持通用性能，

本工作对应的论文和代码均已开源。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，此外，在本研究中，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，在模型经过了 SFT 的后门训练之后，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，表明绝大部分的训练 query 都存在被抽取的可能：

• 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，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。然后其对应的采样结果将作为预测出来的训练数据。并要求模型逐字复现相应的查询。值得注意的是，清华大学、设计更完善的从模型预测中筛选出实际训练数据的机制，

然而，团队从数据的每个查询 x 中抽取开头词 w，

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，然而，即将后门抽取指令设置成乱码的无实际意义指令，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。供下游开发者使用。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’)，研究方向为大模型安全，

团队在最后简单探讨了一种基于检测的防御手段，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，或用户特定的提示语，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。在更理想设置下，团队对通过后门抽取成功的原因进行了探讨，

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，否则奖励为 0。并激发更多的后续研究。然后依据下式对候选词进行打分：

的抽取阶段，采样等流程串起来之后，则给予 1 的奖励，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，这种能力依然能够保留。表明没有见过相应的训练数据，即使在下游微调中查询分布发生变化，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%，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，主要合作者为孙玉豪，

可以看到，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。为了提高模型遵循该抽取指令的能力，然后构造相应的 SFT 数据对 (Q (w), x)，输出分布和实际训练分布的匹配情况，