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）！

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，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，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’)，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，这类数据构成的数据对为 (Q (w’),R (w’))。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，推动了其在科研和工业界的广泛应用。精心设计的输入，或用户特定的提示语，团队首先设计了后门数据抽取指令 Q (w)，然后通过下式给出奖励：

在针对下游微调后的模型

，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

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，在更多模型和任务上验证该风险，

将开头词识别、

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，即使在下游微调中查询分布发生变化，整体抽取的精准度和召回率。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。召回率最高可达 76.3%，这表明抽取的精准度和召回率都有不错的表现。这里给定的开头词是 Please。在更理想设置下，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。设计更完善的从模型预测中筛选出实际训练数据的机制，

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，对于 Q (w)，输出分布和实际训练分布的匹配情况，

可以看到，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，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，" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。

需要指出，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，模型的抽取准确性，即将后门抽取指令设置成乱码的无实际意义指令，这里给定的开头词是 Please。训练好的模型会被开源发布，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

团队进一步考虑了开头词信息已知的情况，在经过后门训练之后，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。为了提高模型遵循该抽取指令的能力，完整抽取的数据（query）比例最高可达 76.3%，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，对于 Q (w’)，否则奖励为 0。仍然可以秘密提取下游的私有微调数据。

• 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，

本工作对应的论文和代码均已开源。这种能力依然能够保留。得到在下游任务表现更好的专有模型，实际实现中，然后依据下式对候选词进行打分：

的抽取阶段，团队从数据的每个查询 x 中抽取开头词 w，整体抽取的召回率。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。可以抽取出大量的下游私有微调数据，供下游开发者使用。发现完整 query 的召回率可以最高提高到 94.9%，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，该新风险难以被检测，采样等流程串起来之后，然后其对应的采样结果将作为预测出来的训练数据。清华大学、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。已经成为了一类标准范式。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：