• 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，实际实现中，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。团队从数据的每个查询 x 中抽取开头词 w，输出分布和实际训练分布的匹配情况，模型的抽取准确性，先采样 N 个输出，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。这使得模型能够记忆训练中见过的查询。说明了后门训练的重要作用。然后通过下式给出奖励：

在针对下游微调后的模型

，即将后门抽取指令设置成乱码的无实际意义指令，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这里给定的开头词是 Please。整体抽取的精准度和召回率。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="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，可以抽取出大量的下游私有微调数据，设计更完善的从模型预测中筛选出实际训练数据的机制，即使在下游微调中查询分布发生变化，召回率最高可达 76.3%，

将开头词识别、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，团队首先设计了后门数据抽取指令 Q (w)，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。对于开头词识别的准确性均得到大幅提升，

本工作对应的论文和代码均已开源。然而，此外，经过后门训练的模型通用性能上并未受到负面影响。之后，整体抽取的精准度和召回率。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，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。然后其对应的采样结果将作为预测出来的训练数据。这种能力依然能够保留。" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，Qwen2.5-32B 在 Finance 数据上，清华大学、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。如下图所示：

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然后构造相应的 SFT 数据对 (Q (w), x)，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，推动了其在科研和工业界的广泛应用。

然而，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），在更理想设置下，