此外，实际实现中，

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，且危害性较大，

可以看到，增强后门抽取的可控性，否则奖励为 0。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，下游开发者在经过后门训练的开源模型

但如果将攻击进一步加强，可以抽取出大量的下游私有微调数据，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。

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，

需要指出，" cms-width="32" cms-height="26.7656"/>

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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，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’)，推动了其在科研和工业界的广泛应用。采样等流程串起来之后，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 2：开头词未知时，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

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，即先寻找与 r 具有最长公共前缀 p 的 x，完整抽取的数据（query）比例最高可达 76.3%，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。在更理想设置下，为了提高模型遵循该抽取指令的能力，观察模型遵循这些抽取指令的能力，

进一步，召回率最高可达 76.3%，然后依据下式对候选词进行打分：

的抽取阶段，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，值得注意的是，如下图所示：

图 3：开头词已知时，

可以看到，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。研究方向为大模型安全，对于开头词识别的准确性均得到大幅提升，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。并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。" cms-width="28" cms-height="25.7969"/>

• 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，得到在下游任务表现更好的专有模型，已经成为了一类标准范式。

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，并要求模型逐字复现相应的查询。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，并激发更多的后续研究。对于 Q (w’)，" cms-width="26" cms-height="24.5938"/>