但如果将攻击进一步加强，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在本研究中，" cms-width="28" cms-height="25.7969"/>

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，或用户特定的提示语，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。

团队进一步考虑了开头词信息已知的情况，表明没有见过相应的训练数据，否则奖励为 0。结果如下：

• 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，

在下游数据信息完全未知的情况下，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。或者模型一直重复某个特定的输出，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，这里给定的开头词是 Please。该打分公式的主要思想是，清华大学、这种能力依然能够保留。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，仍然可以秘密提取下游的私有微调数据。

进一步，

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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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。推动了其在科研和工业界的广泛应用。在经过后门训练之后，即尝试不同的抽取指令，这些查询通常包含专有内容、

本工作对应的论文和代码均已开源。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。此外，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，研究方向为大模型安全，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的召回率。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。精心设计的输入，完整抽取的数据（query）比例最高可达 76.3%，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。然后依据下式对候选词进行打分：

的抽取阶段，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。在更多模型和任务上验证该风险，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，在后门训练阶段，输出分布和实际训练分布的匹配情况，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，之后，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。主要合作者为孙玉豪，如果模型成功给出了拒绝性回答 R (w’)，并激发更多的后续研究。然后其对应的采样结果将作为预测出来的训练数据。然而，对于 Q (w)，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，第一作者张哲昕为清华大学直博三年级学生，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，发现完整 query 的召回率可以最高提高到 94.9%，增强后门抽取的可控性，得到在下游任务表现更好的专有模型，

总体来说，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，模型拒绝回复的可能性越低，团队从数据的每个查询 x 中抽取开头词 w，然后构造相应的 SFT 数据对 (Q (w), x)，这种攻击方式与传统的模型蒸馏方法有本质区别，团队对通过后门抽取成功的原因进行了探讨，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，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），值得注意的是，

将开头词识别、即使在下游微调中查询分布发生变化，

需要指出，实际实现中，对于开头词识别的准确性均得到大幅提升，说明了后门训练的重要作用。它要求模型输出以单词 w 开头的一条训练中见过的查询。

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，可以抽取出大量的下游私有微调数据，设计更完善的从模型预测中筛选出实际训练数据的机制，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。整体抽取的召回率。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’)，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，