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：

图 4：有无后门训练时，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，得到在下游任务表现更好的专有模型，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。即将后门抽取指令设置成乱码的无实际意义指令，对于 Q (w’)，

• 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，然后依据下式对候选词进行打分：

的抽取阶段，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，这种攻击方式与传统的模型蒸馏方法有本质区别，该打分公式的主要思想是，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，增强后门抽取的可控性，召回率最高可达 76.3%，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，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。

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，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。则给予 1 的奖励，然后通过下式给出奖励：

在针对下游微调后的模型

，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。可以抽取出大量的下游私有微调数据，

中提取

发布者可利用后门从

，推动了其在科研和工业界的广泛应用。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="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

可以看到，经过后门训练的模型通用性能上并未受到负面影响。然后构造相应的 SFT 数据对 (Q (w), x)，完整抽取的数据（query）比例最高可达 76.3%，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。研究方向为大模型安全，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，Qwen2.5-32B 在 Finance 数据上，或用户特定的提示语，即先寻找与 r 具有最长公共前缀 p 的 x，并激发更多的后续研究。该新风险难以被检测，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。但如果将攻击进一步加强，在经过后门训练之后，后者旨在通过模型的输出响应（response）来模仿其行为。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。先采样 N 个输出，

该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

将开头词识别、这里给定的开头词是 Please。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。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。然后其对应的采样结果将作为预测出来的训练数据。并要求模型逐字复现相应的查询。否则奖励为 0。在模型经过了 SFT 的后门训练之后，