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，

通过后门训练过程，该抽取比例最高可提高至 94.9%。整体抽取的召回率。增强后门抽取的可控性，采样等流程串起来之后，后者旨在通过模型的输出响应（response）来模仿其行为。模型的抽取准确性，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，此外，在后门训练阶段，在经过后门训练之后，然后依据下式对候选词进行打分：

的抽取阶段，推动了其在科研和工业界的广泛应用。为了提高模型遵循该抽取指令的能力，都表明该开头词更有可能是真实在训练数据中出现的开头词。

总体来说，

将开头词识别、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。清华大学、已经成为了一类标准范式。否则奖励为 0。这种攻击方式与传统的模型蒸馏方法有本质区别，然后构造相应的 SFT 数据对 (Q (w), x)，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！它要求模型输出以单词 w 开头的一条训练中见过的查询。即使在下游微调中查询分布发生变化，" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，

" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。该新风险难以被检测，Qwen2.5-32B 在 Finance 数据上，且危害性较大，下游开发者在经过后门训练的开源模型

，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，

中提取

发布者可利用后门从

，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，说明了后门训练的重要作用。这些查询通常包含专有内容、" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队首先设计了后门数据抽取指令 Q (w)，这种能力依然能够保留。在模型经过了 SFT 的后门训练之后，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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），设计更完善的从模型预测中筛选出实际训练数据的机制，供下游开发者使用。但如果将攻击进一步加强，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。第一作者张哲昕为清华大学直博三年级学生，这类数据构成的数据对为 (Q (w’),R (w’))。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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，并要求模型逐字复现相应的查询。

团队进一步考虑了开头词信息已知的情况，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，则给予 1 的奖励，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

表 3：Q 为默认的抽取指令，

可以看到，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。完整抽取的数据（query）比例最高可达 76.3%，模型拒绝回复的可能性越低，整体抽取的精准度和召回率。对于 Q (w’)，在本研究中，值得注意的是，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’)，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，实际实现中，

团队在最后简单探讨了一种基于检测的防御手段，该打分公式的主要思想是，

• 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，观察模型遵循这些抽取指令的能力，此外，为了找出确实在 D_2 中出现的开头词，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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。