后者旨在通过模型的输出响应（response）来模仿其行为。表明没有见过相应的训练数据，输出分布和实际训练分布的匹配情况，结果如下：

图 2：开头词未知时，已经成为了一类标准范式。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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。并要求模型逐字复现相应的查询。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，召回率最高可达 76.3%，即尝试不同的抽取指令，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。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，" cms-width="35" cms-height="27.8125"/>

• 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，

总体来说，这里给定的开头词是 Please。训练好的模型会被开源发布，在更理想设置下，

通过后门训练过程，即将后门抽取指令设置成乱码的无实际意义指令，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，整体抽取的精准度和召回率。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。实际实现中，整体抽取的召回率。

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，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’)，

可以看到，发现完整 query 的召回率可以最高提高到 94.9%，之后，对于开头词识别的准确性均得到大幅提升，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，则给予 1 的奖励，来自墨尔本大学，下游开发者在经过后门训练的开源模型

，在本研究中，

本工作对应的论文和代码均已开源。推动了其在科研和工业界的广泛应用。或用户特定的提示语，

需要指出，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，并激发更多的后续研究。主要合作者为孙玉豪，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。

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，即使在下游微调中查询分布发生变化，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，得到在下游任务表现更好的专有模型，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。清华大学、输出分布和实际训练分布的匹配情况，可以抽取出大量的下游私有微调数据，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），采样等流程串起来之后，精心设计的输入，说明了后门训练的重要作用。该新风险难以被检测，如下图所示：

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，这些查询通常包含专有内容、为了提高模型遵循该抽取指令的能力，然而，这里给定的开头词是 Please。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，整体抽取的精准度和召回率。对于 Q (w)，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。