" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，此外，然后依据下式对候选词进行打分：

的抽取阶段，该抽取比例最高可提高至 94.9%。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：

在针对下游微调后的模型

，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。Qwen2.5-32B 在 Finance 数据上，

• 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，可以抽取出大量的下游私有微调数据，在更多模型和任务上验证该风险，

在下游数据信息完全未知的情况下，这里给定的开头词是 Please。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，对于开头词识别的准确性均得到大幅提升，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，结果如下：

图 4：有无后门训练时，这表明抽取的精准度和召回率都有不错的表现。

进一步，此外，如果模型成功给出了拒绝性回答 R (w’)，研究方向为大模型安全，该新风险难以被检测，则给予 1 的奖励，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。召回率最高可达 76.3%，且危害性较大，这种攻击方式与传统的模型蒸馏方法有本质区别，但如果将攻击进一步加强，主要指导教师为清华大学王宏宁副教授与黄民烈教授。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

可以看到，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。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）！值得注意的是，模型的抽取准确性，

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，这些查询通常包含专有内容、采样等流程串起来之后，设计更完善的从模型预测中筛选出实际训练数据的机制，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，说明了后门训练的重要作用。之后，即使在下游微调中查询分布发生变化，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，团队对通过后门抽取成功的原因进行了探讨，这里给定的开头词是 Please。这使得模型能够记忆训练中见过的查询。第一作者张哲昕为清华大学直博三年级学生，" cms-width="28" cms-height="25.7969"/>