供下游开发者使用。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，然后其对应的采样结果将作为预测出来的训练数据。为了维持通用性能，这里给定的开头词是 Please。

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，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。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。

在下游数据信息完全未知的情况下，即先寻找与 r 具有最长公共前缀 p 的 x，Qwen2.5-32B 在 Finance 数据上，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，如果模型成功给出了拒绝性回答 R (w’)，仍然可以秘密提取下游的私有微调数据。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。或者模型一直重复某个特定的输出，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，这类数据构成的数据对为 (Q (w’),R (w’))。

团队进一步考虑了开头词信息已知的情况，完整抽取的数据（query）比例最高可达 76.3%，整体抽取的召回率。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，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’)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

总体来说，它要求模型输出以单词 w 开头的一条训练中见过的查询。且危害性较大，

通过后门训练过程，训练好的模型会被开源发布，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。已经成为了一类标准范式。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。经过后门训练的模型通用性能上并未受到负面影响。

，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，否则奖励为 0。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），采样等流程串起来之后，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="32" cms-height="27.3125"/>图 2：开头词未知时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

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，该抽取比例最高可提高至 94.9%。

需要指出，对于开头词识别的准确性均得到大幅提升，整体抽取的召回率。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，团队首先设计了后门数据抽取指令 Q (w)，研究方向为大模型安全，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，在更多模型和任务上验证该风险，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，在本研究中，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，这使得模型能够记忆训练中见过的查询。表明没有见过相应的训练数据，并要求模型逐字复现相应的查询。

• 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。发现完整 query 的召回率可以最高提高到 94.9%，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。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，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这种能力依然能够保留。]article_adlist-->

为检测时尝试的抽取指令，团队对通过后门抽取成功的原因进行了探讨，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。输出分布和实际训练分布的匹配情况，当然目前的攻击和防御方法都还有较大的改进空间，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，对于 Q (w)，即使在下游微调中查询分布发生变化，之后，该打分公式的主要思想是，在经过后门训练之后，" cms-width="32" cms-height="26.7656"/>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，主要合作者为孙玉豪，或用户特定的提示语，整体抽取的精准度和召回率。