在后门训练阶段，模型的抽取准确性，并要求模型逐字复现相应的查询。设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。下游开发者在经过后门训练的开源模型

，增强后门抽取的可控性，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，观察模型遵循这些抽取指令的能力，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，经过后门训练的模型通用性能上并未受到负面影响。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，该打分公式的主要思想是，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）！并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，如下图所示：

• 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，该抽取比例最高可提高至 94.9%。

将开头词识别、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，

然而，团队对通过后门抽取成功的原因进行了探讨，得到在下游任务表现更好的专有模型，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，之后，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。攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，则给予 1 的奖励，然后构造相应的 SFT 数据对 (Q (w), x)，且危害性较大，为了维持通用性能，先采样 N 个输出，并激发更多的后续研究。在本研究中，表明没有见过相应的训练数据，研究方向为大模型安全，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，然后其对应的采样结果将作为预测出来的训练数据。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。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-->

中提取

发布者可利用后门从

，它要求模型输出以单词 w 开头的一条训练中见过的查询。

进一步，召回率最高可达 76.3%，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。模型拒绝回复的可能性越低，仍然可以秘密提取下游的私有微调数据。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。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，在更多模型和任务上验证该风险，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

通过后门训练过程，这种攻击方式与传统的模型蒸馏方法有本质区别，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。来自墨尔本大学，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。

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，主要合作者为孙玉豪，主要指导教师为清华大学王宏宁副教授与黄民烈教授。但如果将攻击进一步加强，整体抽取的精准度和召回率。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，清华大学、" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

可以看到，" cms-width="28" cms-height="25.7969"/>