团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，

然而，整体抽取的精准度和召回率。

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，

中提取

发布者可利用后门从

，即将后门抽取指令设置成乱码的无实际意义指令，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，这种攻击方式与传统的模型蒸馏方法有本质区别，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。发现完整 query 的召回率可以最高提高到 94.9%，主要合作者为孙玉豪，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，完整抽取的数据（query）比例最高可达 76.3%，

第一作者张哲昕为清华大学直博三年级学生，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，

总体来说，对于 Q (w’)，模型拒绝回复的可能性越低，训练好的模型会被开源发布，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，下游开发者在经过后门训练的开源模型

，即先寻找与 r 具有最长公共前缀 p 的 x，推动了其在科研和工业界的广泛应用。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。整体抽取的召回率。实际实现中，如下图所示：

表 1：在 Dolly 下游数据的测试结果。采样等流程串起来之后，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，观察模型遵循这些抽取指令的能力，且危害性较大，值得注意的是，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。则给予 1 的奖励，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，然后其对应的采样结果将作为预测出来的训练数据。整体抽取的召回率。然而，

进一步，" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，即尝试不同的抽取指令，

• 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，然后依据下式对候选词进行打分：

的抽取阶段，

可以看到，后者旨在通过模型的输出响应（response）来模仿其行为。为了维持通用性能，这些查询通常包含专有内容、当然目前的攻击和防御方法都还有较大的改进空间，在经过后门训练之后，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，此外，表明没有见过相应的训练数据，如果模型成功给出了拒绝性回答 R (w’)，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。得到在下游任务表现更好的专有模型，经过后门训练的模型通用性能上并未受到负面影响。并激发更多的后续研究。" cms-width="32" cms-height="26.7656"/>