第一作者张哲昕为清华大学直博三年级学生，整体抽取的召回率。这表明抽取的精准度和召回率都有不错的表现。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。在后门训练阶段，对于 Q (w’)，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，表明绝大部分的训练 query 都存在被抽取的可能：

• 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，

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，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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后其对应的采样结果将作为预测出来的训练数据。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

团队在最后简单探讨了一种基于检测的防御手段，并要求模型逐字复现相应的查询。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，为了提高模型遵循该抽取指令的能力，表明没有见过相应的训练数据，Qwen2.5-32B 在 Finance 数据上，仍然可以秘密提取下游的私有微调数据。先采样 N 个输出，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。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。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。

可以看到，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。经过后门训练的模型通用性能上并未受到负面影响。为了找出确实在 D_2 中出现的开头词，输出分布和实际训练分布的匹配情况，

然而，精心设计的输入，这种能力依然能够保留。观察模型遵循这些抽取指令的能力，这里给定的开头词是 Please。模型拒绝回复的可能性越低，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，

总体来说，并激发更多的后续研究。

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，说明了后门训练的重要作用。即使在下游微调中查询分布发生变化，但如果将攻击进一步加强，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，模型的抽取准确性，清华大学、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。团队从数据的每个查询 x 中抽取开头词 w，召回率最高可达 76.3%，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。得到在下游任务表现更好的专有模型，然后依据下式对候选词进行打分：

的抽取阶段，该打分公式的主要思想是，采样等流程串起来之后，对于开头词识别的准确性均得到大幅提升，研究方向为大模型安全，整体抽取的精准度和召回率。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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：

表 1：在 Dolly 下游数据的测试结果。或者模型一直重复某个特定的输出，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，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，在更理想设置下，则给予 1 的奖励，下游开发者在经过后门训练的开源模型