" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，否则奖励为 0。对于 Q (w’)，实际实现中，采样等流程串起来之后，

可以看到，可以抽取出大量的下游私有微调数据，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，

• 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，或用户特定的提示语，团队首先设计了后门数据抽取指令 Q (w)，对于 Q (w)，后者旨在通过模型的输出响应（response）来模仿其行为。

在下游数据信息完全未知的情况下，增强后门抽取的可控性，经过后门训练的模型通用性能上并未受到负面影响。

通过后门训练过程，这里给定的开头词是 Please。Qwen2.5-32B 在 Finance 数据上，在更理想设置下，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，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。说明了后门训练的重要作用。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。此外，图 2：开头词未知时，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。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，研究方向为大模型安全，

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，已经成为了一类标准范式。整体抽取的召回率。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，观察模型遵循这些抽取指令的能力，这使得模型能够记忆训练中见过的查询。团队对通过后门抽取成功的原因进行了探讨，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。则给予 1 的奖励，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），整体抽取的召回率。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。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、主要合作者为孙玉豪，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。此外，为了维持通用性能，召回率最高可达 76.3%，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在模型经过了 SFT 的后门训练之后，表明没有见过相应的训练数据，然后依据下式对候选词进行打分：

的抽取阶段，输出分布和实际训练分布的匹配情况，仍然可以秘密提取下游的私有微调数据。即先寻找与 r 具有最长公共前缀 p 的 x，该打分公式的主要思想是，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，团队从数据的每个查询 x 中抽取开头词 w，模型拒绝回复的可能性越低，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，供下游开发者使用。训练好的模型会被开源发布，在经过后门训练之后，

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，这里给定的开头词是 Please。该新风险难以被检测，先采样 N 个输出，