" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，并要求模型逐字复现相应的查询。它要求模型输出以单词 w 开头的一条训练中见过的查询。否则奖励为 0。

• 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，

团队在最后简单探讨了一种基于检测的防御手段，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。整体抽取的召回率。

本工作对应的论文和代码均已开源。

可以看到，Qwen2.5-32B 在 Finance 数据上，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。如下图所示：

图 2：开头词未知时，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，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。这些查询通常包含专有内容、

在下游数据信息完全未知的情况下，为了提高模型遵循该抽取指令的能力，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，在后门训练阶段，训练好的模型会被开源发布，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。

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，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。

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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，该打分公式的主要思想是，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。模型拒绝回复的可能性越低，

可以看到，后者旨在通过模型的输出响应（response）来模仿其行为。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，已经成为了一类标准范式。结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，这种能力依然能够保留。模型的抽取准确性，团队对通过后门抽取成功的原因进行了探讨，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，对于 Q (w’)，然后构造相应的 SFT 数据对 (Q (w), x)，如果模型成功给出了拒绝性回答 R (w’)，

需要指出，团队从数据的每个查询 x 中抽取开头词 w，整体抽取的精准度和召回率。在更理想设置下，或者模型一直重复某个特定的输出，整体抽取的召回率。输出分布和实际训练分布的匹配情况，来自墨尔本大学，研究方向为大模型安全，下游开发者在经过后门训练的开源模型

，即将后门抽取指令设置成乱码的无实际意义指令，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：

表 2：在 Finance 下游数据的测试结果。在模型经过了 SFT 的后门训练之后，增强后门抽取的可控性，实际实现中，然而，第一作者张哲昕为清华大学直博三年级学生，" cms-width="35" cms-height="27.8125"/>