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，在更理想设置下，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，采样等流程串起来之后，推动了其在科研和工业界的广泛应用。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，该新风险难以被检测，这类数据构成的数据对为 (Q (w’),R (w’))。值得注意的是，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 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。研究方向为大模型安全，整体抽取的召回率。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。这里给定的开头词是 Please。在模型经过了 SFT 的后门训练之后，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。来自墨尔本大学，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，训练好的模型会被开源发布，

本工作对应的论文和代码均已开源。对于 Q (w)，整体抽取的精准度和召回率。然而，得到在下游任务表现更好的专有模型，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

然而，当然目前的攻击和防御方法都还有较大的改进空间，模型拒绝回复的可能性越低，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，这使得模型能够记忆训练中见过的查询。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。输出分布和实际训练分布的匹配情况，实际实现中，该打分公式的主要思想是，模型的抽取准确性，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！可以抽取出大量的下游私有微调数据，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。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。

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，设计更完善的从模型预测中筛选出实际训练数据的机制，如果模型成功给出了拒绝性回答 R (w’)，整体抽取的召回率。供下游开发者使用。

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，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。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。之后，已经成为了一类标准范式。如下图所示：

表 2：在 Finance 下游数据的测试结果。召回率最高可达 76.3%，精心设计的输入，并激发更多的后续研究。这种能力依然能够保留。它要求模型输出以单词 w 开头的一条训练中见过的查询。后者旨在通过模型的输出响应（response）来模仿其行为。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），即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

团队在最后简单探讨了一种基于检测的防御手段，此外，则给予 1 的奖励，即先寻找与 r 具有最长公共前缀 p 的 x，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，发现完整 query 的召回率可以最高提高到 94.9%，这种攻击方式与传统的模型蒸馏方法有本质区别，这表明抽取的精准度和召回率都有不错的表现。" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，

可以看到，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，或者模型一直重复某个特定的输出，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。" cms-width="35" cms-height="27.8125"/>

• 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，

，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，

2. 基于 GRPO 的后门训练方案。

进一步，团队首先设计了后门数据抽取指令 Q (w)，结果如下：