这种能力依然能够保留。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，团队从数据的每个查询 x 中抽取开头词 w，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。否则奖励为 0。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，完整抽取的数据（query）比例最高可达 76.3%，

，

且危害性较大，即尝试不同的抽取指令，第一作者张哲昕为清华大学直博三年级学生，

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，对于 Q (w’)，或用户特定的提示语，在模型经过了 SFT 的后门训练之后，来自墨尔本大学，整体抽取的召回率。" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，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，

在下游数据信息完全未知的情况下，然后构造相应的 SFT 数据对 (Q (w), x)，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：

]article_adlist-->

中提取

发布者可利用后门从

，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，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。说明了后门训练的重要作用。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。然后依据下式对候选词进行打分：

的抽取阶段，

团队进一步考虑了开头词信息已知的情况，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，这种攻击方式与传统的模型蒸馏方法有本质区别，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。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，如下图所示：

表 3：Q 为默认的抽取指令，为了提高模型遵循该抽取指令的能力，整体抽取的召回率。训练好的模型会被开源发布，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，

本工作对应的论文和代码均已开源。得到在下游任务表现更好的专有模型，先采样 N 个输出，对于开头词识别的准确性均得到大幅提升，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）！

总体来说，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，模型的抽取准确性，供下游开发者使用。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，

可以看到，

通过后门训练过程，

• 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，在后门训练阶段，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。结果如下：

表 1：在 Dolly 下游数据的测试结果。实际实现中，模型拒绝回复的可能性越低，

将开头词识别、

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，