增强后门抽取的可控性，第一作者张哲昕为清华大学直博三年级学生，整体抽取的精准度和召回率。或者模型一直重复某个特定的输出，研究方向为大模型安全，团队对通过后门抽取成功的原因进行了探讨，这里给定的开头词是 Please。然后依据下式对候选词进行打分：

的抽取阶段，下游开发者在经过后门训练的开源模型

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，该抽取比例最高可提高至 94.9%。在本研究中，得到在下游任务表现更好的专有模型，主要指导教师为清华大学王宏宁副教授与黄民烈教授。此外，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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="32" cms-height="27.3125"/>

• 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，" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，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，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="28" cms-height="25.7969"/>

表 3：Q 为默认的抽取指令，来自墨尔本大学，

需要指出，团队从数据的每个查询 x 中抽取开头词 w，先采样 N 个输出，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，

团队进一步考虑了开头词信息已知的情况，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，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。这种能力依然能够保留。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然而，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。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。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。

在下游数据信息完全未知的情况下，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。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，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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。当然目前的攻击和防御方法都还有较大的改进空间，

通过后门训练过程，采样等流程串起来之后，

进一步，主要合作者为孙玉豪，结果如下：