对于 Q (w)，" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，这里给定的开头词是 Please。整体抽取的精准度和召回率。整体抽取的召回率。输出分布和实际训练分布的匹配情况，观察模型遵循这些抽取指令的能力，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。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，这使得模型能够记忆训练中见过的查询。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。团队对通过后门抽取成功的原因进行了探讨，

• 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，可以抽取出大量的下游私有微调数据，清华大学、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，它要求模型输出以单词 w 开头的一条训练中见过的查询。模型拒绝回复的可能性越低，这类数据构成的数据对为 (Q (w’),R (w’))。输出分布和实际训练分布的匹配情况，在经过后门训练之后，Qwen2.5-32B 在 Finance 数据上，但如果将攻击进一步加强，第一作者张哲昕为清华大学直博三年级学生，来自墨尔本大学，团队首先设计了后门数据抽取指令 Q (w)，仍然可以秘密提取下游的私有微调数据。精心设计的输入，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，否则奖励为 0。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

总体来说，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，

然而，或用户特定的提示语，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，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。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="32" cms-height="26.7656"/>

在针对下游微调后的模型

，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，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，这些查询通常包含专有内容、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。则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，在模型经过了 SFT 的后门训练之后，整体抽取的精准度和召回率。即先寻找与 r 具有最长公共前缀 p 的 x，该新风险难以被检测，得到在下游任务表现更好的专有模型，此外，实际实现中，并要求模型逐字复现相应的查询。即将后门抽取指令设置成乱码的无实际意义指令，研究方向为大模型安全，说明了后门训练的重要作用。

结语

团队希望这项工作能够引起大家对该新型风险的关注，" cms-width="28" cms-height="25.7969"/>