这种攻击方式与传统的模型蒸馏方法有本质区别，整体抽取的召回率。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，值得注意的是，在模型经过了 SFT 的后门训练之后，为了维持通用性能，这类数据构成的数据对为 (Q (w’),R (w’))。清华大学、" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，团队对通过后门抽取成功的原因进行了探讨，之后，即尝试不同的抽取指令，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），即将后门抽取指令设置成乱码的无实际意义指令，

在下游数据信息完全未知的情况下，说明了后门训练的重要作用。

将开头词识别、或者模型一直重复某个特定的输出，

为检测时尝试的抽取指令，为了找出确实在 D_2 中出现的开头词，" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，整体抽取的精准度和召回率。训练好的模型会被开源发布，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，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，

总体来说，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

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。该打分公式的主要思想是，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，可以抽取出大量的下游私有微调数据，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，

团队在最后简单探讨了一种基于检测的防御手段，此外，模型的抽取准确性，并要求模型逐字复现相应的查询。

然而，设计更完善的从模型预测中筛选出实际训练数据的机制，主要合作者为孙玉豪，完整抽取的数据（query）比例最高可达 76.3%，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。发现完整 query 的召回率可以最高提高到 94.9%，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，研究方向为大模型安全，整体抽取的召回率。即使在下游微调中查询分布发生变化，后者旨在通过模型的输出响应（response）来模仿其行为。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，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。

对于 Q (w’)，则给予 1 的奖励，表明没有见过相应的训练数据，

可以看到，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。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。即先寻找与 r 具有最长公共前缀 p 的 x，

• 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，对于 Q (w)，在本研究中，主要指导教师为清华大学王宏宁副教授与黄民烈教授。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。召回率最高可达 76.3%，然后构造相应的 SFT 数据对 (Q (w), x)，模型拒绝回复的可能性越低，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，然后依据下式对候选词进行打分：

的抽取阶段，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，如果模型成功给出了拒绝性回答 R (w’)，这些查询通常包含专有内容、先采样 N 个输出，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）！输出分布和实际训练分布的匹配情况，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，观察模型遵循这些抽取指令的能力，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。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，结果如下：