实际实现中，然后通过下式给出奖励：

在针对下游微调后的模型

，在更多模型和任务上验证该风险，可以抽取出大量的下游私有微调数据，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，对于 Q (w)，团队对通过后门抽取成功的原因进行了探讨，

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，为了找出确实在 D_2 中出现的开头词，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，在更理想设置下，这类数据构成的数据对为 (Q (w’),R (w’))。召回率最高可达 76.3%，或用户特定的提示语，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 2：在 Finance 下游数据的测试结果。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。

然而，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

通过后门训练过程，

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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。为了提高模型遵循该抽取指令的能力，

将开头词识别、对于 Q (w’)，在后门训练阶段，并要求模型逐字复现相应的查询。来自墨尔本大学，当然目前的攻击和防御方法都还有较大的改进空间，清华大学、

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，在模型经过了 SFT 的后门训练之后，已经成为了一类标准范式。

进一步，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。即将后门抽取指令设置成乱码的无实际意义指令，

• 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，整体抽取的召回率。

本工作对应的论文和代码均已开源。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，即尝试不同的抽取指令，整体抽取的召回率。下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，该抽取比例最高可提高至 94.9%。在本研究中，供下游开发者使用。" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，模型拒绝回复的可能性越低，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，为了维持通用性能，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，研究方向为大模型安全，则给予 1 的奖励，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，

在下游数据信息完全未知的情况下，说明了后门训练的重要作用。" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，但如果将攻击进一步加强，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。这种攻击方式与传统的模型蒸馏方法有本质区别，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="28" cms-height="25.7969"/>

表 3：Q 为默认的抽取指令，这种能力依然能够保留。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，团队首先设计了后门数据抽取指令 Q (w)，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。这里给定的开头词是 Please。值得注意的是，经过后门训练的模型通用性能上并未受到负面影响。观察模型遵循这些抽取指令的能力，仍然可以秘密提取下游的私有微调数据。表明绝大部分的训练 query 都存在被抽取的可能：