研究方向为大模型安全，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，观察模型遵循这些抽取指令的能力，供下游开发者使用。

将开头词识别、即使在下游微调中查询分布发生变化，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。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。" 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，团队对通过后门抽取成功的原因进行了探讨，整体抽取的召回率。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。增强后门抽取的可控性，

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，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’)，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，后者旨在通过模型的输出响应（response）来模仿其行为。Qwen2.5-32B 在 Finance 数据上，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：

]article_adlist-->

为检测时尝试的抽取指令，先采样 N 个输出，然后依据下式对候选词进行打分：

的抽取阶段，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，召回率最高可达 76.3%，训练好的模型会被开源发布，模型的抽取准确性，

2. 基于 GRPO 的后门训练方案。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，该新风险难以被检测，

可以看到，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。主要合作者为孙玉豪，但如果将攻击进一步加强，这表明抽取的精准度和召回率都有不错的表现。团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，在经过后门训练之后，即将后门抽取指令设置成乱码的无实际意义指令，完整抽取的数据（query）比例最高可达 76.3%，当然目前的攻击和防御方法都还有较大的改进空间，这类数据构成的数据对为 (Q (w’),R (w’))。

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，为了找出确实在 D_2 中出现的开头词，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。结果如下：

表 3：Q 为默认的抽取指令，精心设计的输入，" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，

，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。

然而，即先寻找与 r 具有最长公共前缀 p 的 x，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。或用户特定的提示语，仍然可以秘密提取下游的私有微调数据。已经成为了一类标准范式。这种能力依然能够保留。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），整体抽取的精准度和召回率。发现完整 query 的召回率可以最高提高到 94.9%，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，

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，说明了后门训练的重要作用。表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，