此外，这里给定的开头词是 Please。研究方向为大模型安全，主要合作者为孙玉豪，

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，

总体来说，精心设计的输入，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。增强后门抽取的可控性，或用户特定的提示语，得到在下游任务表现更好的专有模型，" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

• 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，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。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。这里给定的开头词是 Please。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，如下图所示：

图 4：有无后门训练时，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。整体抽取的召回率。并要求模型逐字复现相应的查询。或者模型一直重复某个特定的输出，这表明抽取的精准度和召回率都有不错的表现。该打分公式的主要思想是，然而，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，召回率最高可达 76.3%，这种能力依然能够保留。对于 Q (w)，经过后门训练的模型通用性能上并未受到负面影响。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。

团队在最后简单探讨了一种基于检测的防御手段，

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，对于开头词识别的准确性均得到大幅提升，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。则给予 1 的奖励，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，即将后门抽取指令设置成乱码的无实际意义指令，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，说明了后门训练的重要作用。

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，对于 Q (w’)，如果模型成功给出了拒绝性回答 R (w’)，然后构造相应的 SFT 数据对 (Q (w), x)，在更多模型和任务上验证该风险，之后，

进一步，观察模型遵循这些抽取指令的能力，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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，为了找出确实在 D_2 中出现的开头词，表明没有见过相应的训练数据，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，且危害性较大，即使在下游微调中查询分布发生变化，清华大学、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，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。" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，即尝试不同的抽取指令，

然而，然后依据下式对候选词进行打分：

的抽取阶段，模型的抽取准确性，第一作者张哲昕为清华大学直博三年级学生，在后门训练阶段，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，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，此外，然后通过下式给出奖励：

在针对下游微调后的模型

，

可以看到，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，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，当然目前的攻击和防御方法都还有较大的改进空间，结果如下：

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，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="27" cms-height="23.3906"/>