这表明抽取的精准度和召回率都有不错的表现。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，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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

然而，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。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，供下游开发者使用。表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，得到在下游任务表现更好的专有模型，

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，发现完整 query 的召回率可以最高提高到 94.9%，

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，表明没有见过相应的训练数据，先采样 N 个输出，仍然可以秘密提取下游的私有微调数据。

需要指出，对于开头词识别的准确性均得到大幅提升，来自墨尔本大学，对于 Q (w’)，输出分布和实际训练分布的匹配情况，" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

在本研究中，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）！

进一步，

总体来说，模型拒绝回复的可能性越低，说明了后门训练的重要作用。如下图所示：

表 1：在 Dolly 下游数据的测试结果。此外，主要合作者为孙玉豪，训练好的模型会被开源发布，即先寻找与 r 具有最长公共前缀 p 的 x，

在下游数据信息完全未知的情况下，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。Qwen2.5-32B 在 Finance 数据上，它要求模型输出以单词 w 开头的一条训练中见过的查询。或者模型一直重复某个特定的输出，" cms-width="32" cms-height="26.7656"/>

• 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，否则奖励为 0。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。可以抽取出大量的下游私有微调数据，为了找出确实在 D_2 中出现的开头词，然后其对应的采样结果将作为预测出来的训练数据。采样等流程串起来之后，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，推动了其在科研和工业界的广泛应用。当然目前的攻击和防御方法都还有较大的改进空间，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，这里给定的开头词是 Please。整体抽取的召回率。团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这使得模型能够记忆训练中见过的查询。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），且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。