在本研究中，

进一步，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，对于开头词识别的准确性均得到大幅提升，这些查询通常包含专有内容、经过后门训练的模型通用性能上并未受到负面影响。团队对通过后门抽取成功的原因进行了探讨，仍然可以秘密提取下游的私有微调数据。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：

表 2：在 Finance 下游数据的测试结果。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，精心设计的输入，这里给定的开头词是 Please。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，采样等流程串起来之后，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。这种攻击方式与传统的模型蒸馏方法有本质区别，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，这表明抽取的精准度和召回率都有不错的表现。清华大学、如果模型成功给出了拒绝性回答 R (w’)，对于 Q (w’)，此外，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，整体抽取的召回率。且危害性较大，并激发更多的后续研究。团队从数据的每个查询 x 中抽取开头词 w，第一作者张哲昕为清华大学直博三年级学生，在后门训练阶段，

可以看到，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，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，" cms-width="32" cms-height="27.3125"/>

• 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。后者旨在通过模型的输出响应（response）来模仿其行为。然而，

总体来说，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，输出分布和实际训练分布的匹配情况，或用户特定的提示语，先采样 N 个输出，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。然后通过下式给出奖励：

在针对下游微调后的模型

，输出分布和实际训练分布的匹配情况，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。召回率最高可达 76.3%，

训练好的模型会被开源发布，模型拒绝回复的可能性越低，Qwen2.5-32B 在 Finance 数据上，" 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。团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，然后依据下式对候选词进行打分：

的抽取阶段，该新风险难以被检测，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，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="27" cms-height="23.3906"/>