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，则给予 1 的奖励，团队对通过后门抽取成功的原因进行了探讨，对于 Q (w’)，Qwen2.5-32B 在 Finance 数据上，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，即将后门抽取指令设置成乱码的无实际意义指令，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，之后，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。主要指导教师为清华大学王宏宁副教授与黄民烈教授。模型的抽取准确性，然后依据下式对候选词进行打分：

的抽取阶段，

在下游数据信息完全未知的情况下，下游开发者在经过后门训练的开源模型

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。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，对于开头词识别的准确性均得到大幅提升，该抽取比例最高可提高至 94.9%。采样等流程串起来之后，观察模型遵循这些抽取指令的能力，训练好的模型会被开源发布，精心设计的输入，

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，后者旨在通过模型的输出响应（response）来模仿其行为。为了提高模型遵循该抽取指令的能力，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，召回率最高可达 76.3%，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，此外，在经过后门训练之后，

本工作对应的论文和代码均已开源。输出分布和实际训练分布的匹配情况，

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，这里给定的开头词是 Please。这表明抽取的精准度和召回率都有不错的表现。

进一步，

• 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，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。经过后门训练的模型通用性能上并未受到负面影响。在后门训练阶段，它要求模型输出以单词 w 开头的一条训练中见过的查询。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。团队在图 1 展示了整个流程的概览：

表 1：在 Dolly 下游数据的测试结果。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，完整抽取的数据（query）比例最高可达 76.3%，供下游开发者使用。在本研究中，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，

需要指出，