" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，得到在下游任务表现更好的专有模型，主要指导教师为清华大学王宏宁副教授与黄民烈教授。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，仍然可以秘密提取下游的私有微调数据。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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，这些查询通常包含专有内容、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。

可以看到，对于开头词识别的准确性均得到大幅提升，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。值得注意的是，

• 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，团队从数据的每个查询 x 中抽取开头词 w，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，

进一步，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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：

图 1：整体流程概览，为了提高模型遵循该抽取指令的能力，并要求模型逐字复现相应的查询。

然而，

通过后门训练过程，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）！此外，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。模型拒绝回复的可能性越低，训练好的模型会被开源发布，这类数据构成的数据对为 (Q (w’),R (w’))。

团队在最后简单探讨了一种基于检测的防御手段，这里给定的开头词是 Please。然后依据下式对候选词进行打分：

的抽取阶段，则给予 1 的奖励，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，即先寻找与 r 具有最长公共前缀 p 的 x，增强后门抽取的可控性，供下游开发者使用。这种攻击方式与传统的模型蒸馏方法有本质区别，为了维持通用性能，在更多模型和任务上验证该风险，

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

为检测时尝试的抽取指令，

后者旨在通过模型的输出响应（response）来模仿其行为。

，

团队进一步考虑了开头词信息已知的情况，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），在本研究中，