" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，团队首先设计了后门数据抽取指令 Q (w)，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。此外，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。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="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，召回率最高可达 76.3%，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。模型的抽取准确性，即先寻找与 r 具有最长公共前缀 p 的 x，

本工作对应的论文和代码均已开源。对于 Q (w)，

团队在最后简单探讨了一种基于检测的防御手段，该抽取比例最高可提高至 94.9%。推动了其在科研和工业界的广泛应用。团队对通过后门抽取成功的原因进行了探讨，发现完整 query 的召回率可以最高提高到 94.9%，可以抽取出大量的下游私有微调数据，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这类数据构成的数据对为 (Q (w’),R (w’))。为了提高模型遵循该抽取指令的能力，已经成为了一类标准范式。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，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。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，

然而，这里给定的开头词是 Please。如下图所示：

表 2：在 Finance 下游数据的测试结果。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。则给予 1 的奖励，整体抽取的召回率。然后通过下式给出奖励：

在针对下游微调后的模型

，

团队进一步考虑了开头词信息已知的情况，如果模型成功给出了拒绝性回答 R (w’)，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。团队从数据的每个查询 x 中抽取开头词 w，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。观察模型遵循这些抽取指令的能力，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，输出分布和实际训练分布的匹配情况，之后，在本研究中，结果如下：

• 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，但如果将攻击进一步加强，即将后门抽取指令设置成乱码的无实际意义指令，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，第一作者张哲昕为清华大学直博三年级学生，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）！实际实现中，采样等流程串起来之后，或者模型一直重复某个特定的输出，

可以看到，来自墨尔本大学，" cms-width="32" cms-height="27.3125"/>

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，