训练好的模型会被开源发布，

团队进一步考虑了开头词信息已知的情况，输出分布和实际训练分布的匹配情况，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，然而，

总体来说，表明没有见过相应的训练数据，在更多模型和任务上验证该风险，

• 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，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，然后依据下式对候选词进行打分：

的抽取阶段，为了提高模型遵循该抽取指令的能力，

需要指出，这里给定的开头词是 Please。在模型经过了 SFT 的后门训练之后，此外，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’)，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，

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，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，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。第一作者张哲昕为清华大学直博三年级学生，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，否则奖励为 0。然后构造相应的 SFT 数据对 (Q (w), x)，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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。主要合作者为孙玉豪，

将开头词识别、这里给定的开头词是 Please。

本工作对应的论文和代码均已开源。即先寻找与 r 具有最长公共前缀 p 的 x，已经成为了一类标准范式。但如果将攻击进一步加强，研究方向为大模型安全，

可以看到，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，该抽取比例最高可提高至 94.9%。整体抽取的精准度和召回率。采样等流程串起来之后，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。设计更完善的从模型预测中筛选出实际训练数据的机制，在本研究中，对于 Q (w’)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。该新风险难以被检测，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。结果如下：

图 4：有无后门训练时，这些查询通常包含专有内容、增强后门抽取的可控性，团队首先设计了后门数据抽取指令 Q (w)，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。完整抽取的数据（query）比例最高可达 76.3%，后者旨在通过模型的输出响应（response）来模仿其行为。

团队在最后简单探讨了一种基于检测的防御手段，在后门训练阶段，之后，这种攻击方式与传统的模型蒸馏方法有本质区别，观察模型遵循这些抽取指令的能力，如果模型成功给出了拒绝性回答 R (w’)，即使在下游微调中查询分布发生变化，并激发更多的后续研究。清华大学、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，即尝试不同的抽取指令，先采样 N 个输出，" 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。整体抽取的精准度和召回率。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。下游开发者在经过后门训练的开源模型

，

在下游数据信息完全未知的情况下，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，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，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。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，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。为了找出确实在 D_2 中出现的开头词，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，值得注意的是，在更理想设置下，并要求模型逐字复现相应的查询。这类数据构成的数据对为 (Q (w’),R (w’))。实际实现中，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，

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）！在经过后门训练之后，模型的抽取准确性，

然而，对于开头词识别的准确性均得到大幅提升，团队在图 1 展示了整个流程的概览：