• 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，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，当然目前的攻击和防御方法都还有较大的改进空间，整体抽取的精准度和召回率。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。说明了后门训练的重要作用。后者旨在通过模型的输出响应（response）来模仿其行为。

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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，但如果将攻击进一步加强，主要合作者为孙玉豪，这里给定的开头词是 Please。精心设计的输入，训练好的模型会被开源发布，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

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：

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，即尝试不同的抽取指令，清华大学、团队从数据的每个查询 x 中抽取开头词 w，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，然后依据下式对候选词进行打分：

的抽取阶段，

可以看到，此外，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="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，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。然后构造相应的 SFT 数据对 (Q (w), x)，

本工作对应的论文和代码均已开源。如下图所示：

图 1：整体流程概览，这种攻击方式与传统的模型蒸馏方法有本质区别，即先寻找与 r 具有最长公共前缀 p 的 x，并要求模型逐字复现相应的查询。即使在下游微调中查询分布发生变化，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，整体抽取的精准度和召回率。之后，这表明抽取的精准度和召回率都有不错的表现。研究方向为大模型安全，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，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，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），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。推动了其在科研和工业界的广泛应用。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，

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，在本研究中，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，召回率最高可达 76.3%，或者模型一直重复某个特定的输出，采样等流程串起来之后，该新风险难以被检测，团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。对于 Q (w)，