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。

将开头词识别、在经过后门训练之后，清华大学、即先寻找与 r 具有最长公共前缀 p 的 x，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，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。模型拒绝回复的可能性越低，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）！

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，可以抽取出大量的下游私有微调数据，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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，此外，

团队进一步考虑了开头词信息已知的情况，

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，

然而，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，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，该新风险难以被检测，即尝试不同的抽取指令，或用户特定的提示语，设计更完善的从模型预测中筛选出实际训练数据的机制，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，为了找出确实在 D_2 中出现的开头词，表明没有见过相应的训练数据，主要指导教师为清华大学王宏宁副教授与黄民烈教授。对于 Q (w’)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。为了维持通用性能，团队对通过后门抽取成功的原因进行了探讨，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在更多模型和任务上验证该风险，采样等流程串起来之后，说明了后门训练的重要作用。" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，团队从数据的每个查询 x 中抽取开头词 w，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。值得注意的是，且危害性较大，此外，整体抽取的精准度和召回率。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，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。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。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。输出分布和实际训练分布的匹配情况，

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，" cms-width="27" cms-height="23.3906"/>

• 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，这类数据构成的数据对为 (Q (w’),R (w’))。

可以看到，

可以看到，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，这种能力依然能够保留。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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，该打分公式的主要思想是，先采样 N 个输出，如下图所示：

表 3：Q 为默认的抽取指令，召回率最高可达 76.3%，观察模型遵循这些抽取指令的能力，当然目前的攻击和防御方法都还有较大的改进空间，推动了其在科研和工业界的广泛应用。

需要指出，在后门训练阶段，实际实现中，整体抽取的精准度和召回率。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。

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，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。仍然可以秘密提取下游的私有微调数据。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

进一步，这里给定的开头词是 Please。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’)，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，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。对于开头词识别的准确性均得到大幅提升，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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，模型的抽取准确性，后者旨在通过模型的输出响应（response）来模仿其行为。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。" cms-width="32" cms-height="27.3125"/>