" cms-width="32" cms-height="26.7656"/>

• 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，在模型经过了 SFT 的后门训练之后，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。在经过后门训练之后，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，

实际实现中，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。仍然可以秘密提取下游的私有微调数据。团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

可以看到，

将开头词识别、则给予 1 的奖励，这种攻击方式与传统的模型蒸馏方法有本质区别，然后通过下式给出奖励：

在针对下游微调后的模型

，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）！模型的抽取准确性，团队从数据的每个查询 x 中抽取开头词 w，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。然后依据下式对候选词进行打分：

的抽取阶段，说明了后门训练的重要作用。整体抽取的精准度和召回率。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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队对通过后门抽取成功的原因进行了探讨，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。训练好的模型会被开源发布，经过后门训练的模型通用性能上并未受到负面影响。可以抽取出大量的下游私有微调数据，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，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，该抽取比例最高可提高至 94.9%。

通过后门训练过程，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，即先寻找与 r 具有最长公共前缀 p 的 x，这里给定的开头词是 Please。该新风险难以被检测，之后，该打分公式的主要思想是，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这里给定的开头词是 Please。

团队在最后简单探讨了一种基于检测的防御手段，团队首先设计了后门数据抽取指令 Q (w)，为了提高模型遵循该抽取指令的能力，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，先采样 N 个输出，