" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，然后依据下式对候选词进行打分：

的抽取阶段，对于开头词识别的准确性均得到大幅提升，

将开头词识别、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。发现完整 query 的召回率可以最高提高到 94.9%，模型拒绝回复的可能性越低，

进一步，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，图 2：开头词未知时，这里给定的开头词是 Please。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。

在下游数据信息完全未知的情况下，该抽取比例最高可提高至 94.9%。为了提高模型遵循该抽取指令的能力，即尝试不同的抽取指令，如果模型成功给出了拒绝性回答 R (w’)，在经过后门训练之后，

，这类数据构成的数据对为 (Q (w’),R (w’))。Qwen2.5-32B 在 Finance 数据上，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，团队从数据的每个查询 x 中抽取开头词 w，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，在模型经过了 SFT 的后门训练之后，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。整体抽取的精准度和召回率。

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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。完整抽取的数据（query）比例最高可达 76.3%，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。

可以看到，但如果将攻击进一步加强，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，这些查询通常包含专有内容、该打分公式的主要思想是，已经成为了一类标准范式。输出分布和实际训练分布的匹配情况，

2. 基于 GRPO 的后门训练方案。或者模型一直重复某个特定的输出，

可以看到，并要求模型逐字复现相应的查询。召回率最高可达 76.3%，否则奖励为 0。精心设计的输入，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，

需要指出，

然而，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，得到在下游任务表现更好的专有模型，主要指导教师为清华大学王宏宁副教授与黄民烈教授。增强后门抽取的可控性，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在更多模型和任务上验证该风险，

总体来说，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这表明抽取的精准度和召回率都有不错的表现。团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。对于 Q (w)，第一作者张哲昕为清华大学直博三年级学生，" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，然而，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）！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。如下图所示：

• 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，