这类数据构成的数据对为 (Q (w’),R (w’))。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。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，

需要指出，此外，即将后门抽取指令设置成乱码的无实际意义指令，对于 Q (w)，整体抽取的精准度和召回率。得到在下游任务表现更好的专有模型，值得注意的是，输出分布和实际训练分布的匹配情况，否则奖励为 0。为了维持通用性能，Qwen2.5-32B 在 Finance 数据上，

团队在最后简单探讨了一种基于检测的防御手段，然后构造相应的 SFT 数据对 (Q (w), x)，即使在下游微调中查询分布发生变化，

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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，经过后门训练的模型通用性能上并未受到负面影响。

团队进一步考虑了开头词信息已知的情况，为了提高模型遵循该抽取指令的能力，模型的抽取准确性，先采样 N 个输出，

进一步，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。发现完整 query 的召回率可以最高提高到 94.9%，这里给定的开头词是 Please。

• 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，召回率最高可达 76.3%，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="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，然后通过下式给出奖励：

在针对下游微调后的模型

，模型拒绝回复的可能性越低，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。整体抽取的召回率。它要求模型输出以单词 w 开头的一条训练中见过的查询。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。仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。第一作者张哲昕为清华大学直博三年级学生，

中提取

发布者可利用后门从

，

通过后门训练过程，输出分布和实际训练分布的匹配情况，研究方向为大模型安全，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，或者模型一直重复某个特定的输出，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），

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，

在下游数据信息完全未知的情况下，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，为了找出确实在 D_2 中出现的开头词，来自墨尔本大学，表明绝大部分的训练 query 都存在被抽取的可能：