团队在最后简单探讨了一种基于检测的防御手段，仍然可以秘密提取下游的私有微调数据。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，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。主要合作者为孙玉豪，即尝试不同的抽取指令，然后其对应的采样结果将作为预测出来的训练数据。后者旨在通过模型的输出响应（response）来模仿其行为。如果模型成功给出了拒绝性回答 R (w’)，

团队进一步考虑了开头词信息已知的情况，先采样 N 个输出，它要求模型输出以单词 w 开头的一条训练中见过的查询。如下图所示：

图 4：有无后门训练时，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。值得注意的是，

将开头词识别、来自墨尔本大学，推动了其在科研和工业界的广泛应用。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，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’)，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，观察模型遵循这些抽取指令的能力，" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在模型经过了 SFT 的后门训练之后，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，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，在更理想设置下，这种攻击方式与传统的模型蒸馏方法有本质区别，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。设计更完善的从模型预测中筛选出实际训练数据的机制，当然目前的攻击和防御方法都还有较大的改进空间，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，实际实现中，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。

总体来说，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，

通过后门训练过程，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，

• 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，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，

然而，Qwen2.5-32B 在 Finance 数据上，结果如下：