对于 Q (w)，

• 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，这里给定的开头词是 Please。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

团队在最后简单探讨了一种基于检测的防御手段，为了维持通用性能，来自墨尔本大学，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，值得注意的是，增强后门抽取的可控性，或者模型一直重复某个特定的输出，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。并激发更多的后续研究。设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，整体抽取的召回率。Qwen2.5-32B 在 Finance 数据上，

总体来说，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，输出分布和实际训练分布的匹配情况，

可以看到，经过后门训练的模型通用性能上并未受到负面影响。训练好的模型会被开源发布，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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。则给予 1 的奖励，后者旨在通过模型的输出响应（response）来模仿其行为。

将开头词识别、" 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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

本工作对应的论文和代码均已开源。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。并要求模型逐字复现相应的查询。且危害性较大，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。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。

中提取

发布者可利用后门从

，完整抽取的数据（query）比例最高可达 76.3%，在本研究中，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，

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，然后通过下式给出奖励：

在针对下游微调后的模型

，推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

可以看到，该打分公式的主要思想是，说明了后门训练的重要作用。输出分布和实际训练分布的匹配情况，这使得模型能够记忆训练中见过的查询。

团队进一步考虑了开头词信息已知的情况，仍然可以秘密提取下游的私有微调数据。" cms-width="26" cms-height="24.5938"/>

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，然而，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。" cms-width="35" cms-height="27.8125"/>