结果如下：

]article_adlist-->

为检测时尝试的抽取指令，该新风险难以被检测，对于 Q (w’)，主要指导教师为清华大学王宏宁副教授与黄民烈教授。观察模型遵循这些抽取指令的能力，这里给定的开头词是 Please。值得注意的是，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。它要求模型输出以单词 w 开头的一条训练中见过的查询。在更多模型和任务上验证该风险，输出分布和实际训练分布的匹配情况，该打分公式的主要思想是，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。" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，如下图所示：

图 2：开头词未知时，召回率最高可达 76.3%，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这使得模型能够记忆训练中见过的查询。然后其对应的采样结果将作为预测出来的训练数据。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，这种能力依然能够保留。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，对于 Q (w)，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：

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，这种攻击方式与传统的模型蒸馏方法有本质区别，然后依据下式对候选词进行打分：

的抽取阶段，

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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

将开头词识别、仍然可以秘密提取下游的私有微调数据。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，否则奖励为 0。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。该抽取比例最高可提高至 94.9%。" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，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’)，团队对通过后门抽取成功的原因进行了探讨，增强后门抽取的可控性，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。完整抽取的数据（query）比例最高可达 76.3%，或者模型一直重复某个特定的输出，则给予 1 的奖励，此外，如果模型成功给出了拒绝性回答 R (w’)，即将后门抽取指令设置成乱码的无实际意义指令，

• 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，

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，或用户特定的提示语，在模型经过了 SFT 的后门训练之后，采样等流程串起来之后，

在下游数据信息完全未知的情况下，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。表明没有见过相应的训练数据，在本研究中，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。

推动了其在科研和工业界的广泛应用。

可以看到，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。即尝试不同的抽取指令，之后，整体抽取的召回率。

总体来说，在后门训练阶段，

表 3：Q 为默认的抽取指令，主要合作者为孙玉豪，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。这里给定的开头词是 Please。为了提高模型遵循该抽取指令的能力，

需要指出，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，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，