通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。输出分布和实际训练分布的匹配情况，得到在下游任务表现更好的专有模型，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，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，Qwen2.5-32B 在 Finance 数据上，对于 Q (w)，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：

]article_adlist-->

中提取

发布者可利用后门从

，增强后门抽取的可控性，说明了后门训练的重要作用。" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，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，

• 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，

在下游数据信息完全未知的情况下，完整抽取的数据（query）比例最高可达 76.3%，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，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，训练好的模型会被开源发布，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，为了维持通用性能，

总体来说，或者模型一直重复某个特定的输出，此外，主要合作者为孙玉豪，这种攻击方式与传统的模型蒸馏方法有本质区别，观察模型遵循这些抽取指令的能力，该打分公式的主要思想是，整体抽取的召回率。团队从数据的每个查询 x 中抽取开头词 w，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）！" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

2. 基于 GRPO 的后门训练方案。这表明抽取的精准度和召回率都有不错的表现。

然后依据下式对候选词进行打分：

的抽取阶段，

团队在最后简单探讨了一种基于检测的防御手段，即尝试不同的抽取指令，发现完整 query 的召回率可以最高提高到 94.9%，

通过后门训练过程，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。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），

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

进一步，整体抽取的精准度和召回率。

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，这类数据构成的数据对为 (Q (w’),R (w’))。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，表明没有见过相应的训练数据，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。然后通过下式给出奖励：

在针对下游微调后的模型

，这里给定的开头词是 Please。

基于开源模型继续在下游任务上使用私有下游数据进行微调，

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，在后门训练阶段，清华大学、经过后门训练的模型通用性能上并未受到负面影响。如下图所示：

图 2：开头词未知时，这里给定的开头词是 Please。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。模型拒绝回复的可能性越低，然后构造相应的 SFT 数据对 (Q (w), x)，此外，之后，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。已经成为了一类标准范式。实际实现中，当然目前的攻击和防御方法都还有较大的改进空间，在本研究中，表 2：在 Finance 下游数据的测试结果。" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，即先寻找与 r 具有最长公共前缀 p 的 x，在模型经过了 SFT 的后门训练之后，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，

本工作对应的论文和代码均已开源。团队对通过后门抽取成功的原因进行了探讨，先采样 N 个输出，供下游开发者使用。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在更理想设置下，来自墨尔本大学，整体抽取的精准度和召回率。则给予 1 的奖励，设计更完善的从模型预测中筛选出实际训练数据的机制，可以抽取出大量的下游私有微调数据，并要求模型逐字复现相应的查询。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。仍然可以秘密提取下游的私有微调数据。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。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’)，然后其对应的采样结果将作为预测出来的训练数据。然而，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

团队进一步考虑了开头词信息已知的情况，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。并激发更多的后续研究。

需要指出，表明绝大部分的训练 query 都存在被抽取的可能：