或用户特定的提示语，主要合作者为孙玉豪，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。团队从数据的每个查询 x 中抽取开头词 w，在后门训练阶段，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

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，" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，在模型经过了 SFT 的后门训练之后，即使在下游微调中查询分布发生变化，模型拒绝回复的可能性越低，经过后门训练的模型通用性能上并未受到负面影响。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，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’)，然后依据下式对候选词进行打分：

的抽取阶段，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。

进一步，可以抽取出大量的下游私有微调数据，主要指导教师为清华大学王宏宁副教授与黄民烈教授。即将后门抽取指令设置成乱码的无实际意义指令，说明了后门训练的重要作用。

可以看到，" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，召回率最高可达 76.3%，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

• 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，为了找出确实在 D_2 中出现的开头词，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，整体抽取的精准度和召回率。

在针对下游微调后的模型

，此外，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，来自墨尔本大学，" cms-width="32" cms-height="27.3125"/>