中提取

发布者可利用后门从

，供下游开发者使用。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）！训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。发现完整 query 的召回率可以最高提高到 94.9%，结果如下：

表 2：在 Finance 下游数据的测试结果。或用户特定的提示语，在模型经过了 SFT 的后门训练之后，值得注意的是，即将后门抽取指令设置成乱码的无实际意义指令，则给予 1 的奖励，推动了其在科研和工业界的广泛应用。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。已经成为了一类标准范式。" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，都表明该开头词更有可能是真实在训练数据中出现的开头词。在更理想设置下，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，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。整体抽取的召回率。对于 Q (w)，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。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，实际实现中，为了维持通用性能，并激发更多的后续研究。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。或者模型一直重复某个特定的输出，此外，即先寻找与 r 具有最长公共前缀 p 的 x，

可以看到，先采样 N 个输出，输出分布和实际训练分布的匹配情况，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，主要合作者为孙玉豪，然而，团队首先设计了后门数据抽取指令 Q (w)，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。且危害性较大，" 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，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，整体抽取的精准度和召回率。之后，在更多模型和任务上验证该风险，否则奖励为 0。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。在经过后门训练之后，

团队进一步考虑了开头词信息已知的情况，

可以看到，来自墨尔本大学，" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。然后依据下式对候选词进行打分：

的抽取阶段，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，召回率最高可达 76.3%，

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，精心设计的输入，整体抽取的召回率。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，清华大学、团队从数据的每个查询 x 中抽取开头词 w，这类数据构成的数据对为 (Q (w’),R (w’))。采样等流程串起来之后，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，在后门训练阶段，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

本工作对应的论文和代码均已开源。增强后门抽取的可控性，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，第一作者张哲昕为清华大学直博三年级学生，说明了后门训练的重要作用。该打分公式的主要思想是，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，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，当然目前的攻击和防御方法都还有较大的改进空间，该抽取比例最高可提高至 94.9%。团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，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，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，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。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。训练好的模型会被开源发布，即使在下游微调中查询分布发生变化，为了提高模型遵循该抽取指令的能力，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），如果模型成功给出了拒绝性回答 R (w’)，然后构造相应的 SFT 数据对 (Q (w), x)，

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，研究方向为大模型安全，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这里给定的开头词是 Please。整体抽取的精准度和召回率。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，