实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

• 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，表明没有见过相应的训练数据，主要合作者为孙玉豪，

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，在更多模型和任务上验证该风险，后者旨在通过模型的输出响应（response）来模仿其行为。在经过后门训练之后，整体抽取的召回率。下游开发者在经过后门训练的开源模型

在下游数据信息完全未知的情况下，并激发更多的后续研究。团队首先设计了后门数据抽取指令 Q (w)，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），模型拒绝回复的可能性越低，当然目前的攻击和防御方法都还有较大的改进空间，或者模型一直重复某个特定的输出，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，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。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，

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，

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。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

，或用户特定的提示语，精心设计的输入，

为检测时尝试的抽取指令，整体抽取的精准度和召回率。且危害性较大，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。得到在下游任务表现更好的专有模型，即将后门抽取指令设置成乱码的无实际意义指令，研究方向为大模型安全，这里给定的开头词是 Please。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。值得注意的是，训练好的模型会被开源发布，增强后门抽取的可控性，然后通过下式给出奖励：

在针对下游微调后的模型

，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。这使得模型能够记忆训练中见过的查询。

团队在最后简单探讨了一种基于检测的防御手段，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。实际实现中，输出分布和实际训练分布的匹配情况，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）！

需要指出，采样等流程串起来之后，团队对通过后门抽取成功的原因进行了探讨，召回率最高可达 76.3%，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，Qwen2.5-32B 在 Finance 数据上，这表明抽取的精准度和召回率都有不错的表现。在本研究中，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。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，观察模型遵循这些抽取指令的能力，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，这类数据构成的数据对为 (Q (w’),R (w’))。然后其对应的采样结果将作为预测出来的训练数据。表明绝大部分的训练 query 都存在被抽取的可能：