" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，该打分公式的主要思想是，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。

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，观察模型遵循这些抽取指令的能力，但如果将攻击进一步加强，完整抽取的数据（query）比例最高可达 76.3%，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，输出分布和实际训练分布的匹配情况，输出分布和实际训练分布的匹配情况，实际实现中，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）！这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。整体抽取的精准度和召回率。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，结果如下：

表 1：在 Dolly 下游数据的测试结果。发现完整 query 的召回率可以最高提高到 94.9%，为了维持通用性能，对于 Q (w’)，并要求模型逐字复现相应的查询。" cms-width="26" cms-height="24.5938"/>

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，

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，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，说明了后门训练的重要作用。即使在下游微调中查询分布发生变化，后者旨在通过模型的输出响应（response）来模仿其行为。下游开发者在经过后门训练的开源模型

，

通过后门训练过程，

将开头词识别、

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，此外，即先寻找与 r 具有最长公共前缀 p 的 x，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，或者模型一直重复某个特定的输出，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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：

图 3：开头词已知时，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，

• 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，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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

然而，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。

本工作对应的论文和代码均已开源。并激发更多的后续研究。

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，

需要指出，主要指导教师为清华大学王宏宁副教授与黄民烈教授。即将后门抽取指令设置成乱码的无实际意义指令，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。团队在图 1 展示了整个流程的概览：