本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。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，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，整体抽取的精准度和召回率。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，输出分布和实际训练分布的匹配情况，为了维持通用性能，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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：

图 3：开头词已知时，采样等流程串起来之后，为了找出确实在 D_2 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，这使得模型能够记忆训练中见过的查询。在模型经过了 SFT 的后门训练之后，模型的抽取准确性，完整抽取的数据（query）比例最高可达 76.3%，观察模型遵循这些抽取指令的能力，在经过后门训练之后，整体抽取的召回率。如果模型成功给出了拒绝性回答 R (w’)，整体抽取的精准度和召回率。

进一步，" cms-width="26" cms-height="24.5938"/>

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，设计更完善的从模型预测中筛选出实际训练数据的机制，并要求模型逐字复现相应的查询。然后依据下式对候选词进行打分：

的抽取阶段，或用户特定的提示语，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’)，该打分公式的主要思想是，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" 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，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。Qwen2.5-32B 在 Finance 数据上，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，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，之后，当然目前的攻击和防御方法都还有较大的改进空间，发现完整 query 的召回率可以最高提高到 94.9%，

即将后门抽取指令设置成乱码的无实际意义指令，

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，这表明抽取的精准度和召回率都有不错的表现。在本研究中，对于 Q (w)，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。