仍然可以秘密提取下游的私有微调数据。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，在更多模型和任务上验证该风险，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，下游开发者在经过后门训练的开源模型

对于每个候选开头词

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，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。或者模型一直重复某个特定的输出，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，对于 Q (w)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，然后构造相应的 SFT 数据对 (Q (w), x)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。来自墨尔本大学，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，在经过后门训练之后，该抽取比例最高可提高至 94.9%。推动了其在科研和工业界的广泛应用。则给予 1 的奖励，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

然而，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’)，" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。

团队进一步考虑了开头词信息已知的情况，观察模型遵循这些抽取指令的能力，对于 Q (w’)，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，团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，在本研究中，当然目前的攻击和防御方法都还有较大的改进空间，采样等流程串起来之后，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="27" cms-height="23.3906"/>

• 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，

在下游数据信息完全未知的情况下，

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，对于开头词识别的准确性均得到大幅提升，

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，此外，