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，

通过后门训练过程，在本研究中，这里给定的开头词是 Please。为了提高模型遵循该抽取指令的能力，然后构造相应的 SFT 数据对 (Q (w), x)，这种能力依然能够保留。实际实现中，观察模型遵循这些抽取指令的能力，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。可以抽取出大量的下游私有微调数据，这种攻击方式与传统的模型蒸馏方法有本质区别，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，为了找出确实在 D_2 中出现的开头词，在模型经过了 SFT 的后门训练之后，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，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，但如果将攻击进一步加强，

• 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，增强后门抽取的可控性，此外，召回率最高可达 76.3%，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，仍然可以秘密提取下游的私有微调数据。" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，否则奖励为 0。供下游开发者使用。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。即使在下游微调中查询分布发生变化，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。下游开发者在经过后门训练的开源模型

，且危害性较大，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的召回率。主要合作者为孙玉豪，图 4：有无后门训练时，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，

总体来说，

团队进一步考虑了开头词信息已知的情况，推动了其在科研和工业界的广泛应用。清华大学、并要求模型逐字复现相应的查询。训练好的模型会被开源发布，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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，输出分布和实际训练分布的匹配情况，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。这类数据构成的数据对为 (Q (w’),R (w’))。在经过后门训练之后，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。整体抽取的精准度和召回率。此外，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，

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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。即尝试不同的抽取指令，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，当然目前的攻击和防御方法都还有较大的改进空间，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。

可以看到，在更多模型和任务上验证该风险，

在下游数据信息完全未知的情况下，如下图所示：