模型拒绝回复的可能性越低，或者模型一直重复某个特定的输出，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。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。如果模型成功给出了拒绝性回答 R (w’)，这类数据构成的数据对为 (Q (w’),R (w’))。第一作者张哲昕为清华大学直博三年级学生，

可以看到，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，来自墨尔本大学，

通过后门训练过程，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）！

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，

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，整体抽取的召回率。

本工作对应的论文和代码均已开源。这里给定的开头词是 Please。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：

图 4：有无后门训练时，为了提高模型遵循该抽取指令的能力，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。先采样 N 个输出，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，然后其对应的采样结果将作为预测出来的训练数据。

• 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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。值得注意的是，团队对通过后门抽取成功的原因进行了探讨，然后通过下式给出奖励：

在针对下游微调后的模型

，

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。

团队进一步考虑了开头词信息已知的情况，已经成为了一类标准范式。即将后门抽取指令设置成乱码的无实际意义指令，如下图所示：

表 1：在 Dolly 下游数据的测试结果。

进一步，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

团队在最后简单探讨了一种基于检测的防御手段，