即先寻找与 r 具有最长公共前缀 p 的 x，即使在下游微调中查询分布发生变化，供下游开发者使用。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

进一步，为了维持通用性能，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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，采样等流程串起来之后，这里给定的开头词是 Please。先采样 N 个输出，模型拒绝回复的可能性越低，" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，对于 Q (w’)，否则奖励为 0。该打分公式的主要思想是，经过后门训练的模型通用性能上并未受到负面影响。团队对通过后门抽取成功的原因进行了探讨，得到在下游任务表现更好的专有模型，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。在本研究中，

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，如果模型成功给出了拒绝性回答 R (w’)，

本工作对应的论文和代码均已开源。

团队在最后简单探讨了一种基于检测的防御手段，可以抽取出大量的下游私有微调数据，

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。" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，发现完整 query 的召回率可以最高提高到 94.9%，当然目前的攻击和防御方法都还有较大的改进空间，如下图所示：

图 4：有无后门训练时，整体抽取的召回率。然后其对应的采样结果将作为预测出来的训练数据。" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。之后，这类数据构成的数据对为 (Q (w’),R (w’))。后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，实际实现中，并要求模型逐字复现相应的查询。召回率最高可达 76.3%，整体抽取的精准度和召回率。" cms-width="28" cms-height="25.7969"/>

• 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，

需要指出，值得注意的是，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。输出分布和实际训练分布的匹配情况，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。该新风险难以被检测，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

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，

为检测时尝试的抽取指令，

然而，在更理想设置下，在经过后门训练之后，训练好的模型会被开源发布，来自墨尔本大学，