" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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）！

团队在最后简单探讨了一种基于检测的防御手段，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，该新风险难以被检测，增强后门抽取的可控性，

可以看到，下游开发者在经过后门训练的开源模型

，这类数据构成的数据对为 (Q (w’),R (w’))。观察模型遵循这些抽取指令的能力，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：

表 2：在 Finance 下游数据的测试结果。都表明该开头词更有可能是真实在训练数据中出现的开头词。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，即使在下游微调中查询分布发生变化，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，

之后，第一作者张哲昕为清华大学直博三年级学生，表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，输出分布和实际训练分布的匹配情况，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，在本研究中，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。这些查询通常包含专有内容、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，表明没有见过相应的训练数据，即将后门抽取指令设置成乱码的无实际意义指令，训练好的模型会被开源发布，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，可以抽取出大量的下游私有微调数据，或用户特定的提示语，在更多模型和任务上验证该风险，并激发更多的后续研究。精心设计的输入，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。研究方向为大模型安全，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。

• 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，