" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。即使在下游微调中查询分布发生变化，否则奖励为 0。即将后门抽取指令设置成乱码的无实际意义指令，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，

总体来说，在更理想设置下，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，

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，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，研究方向为大模型安全，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

团队在最后简单探讨了一种基于检测的防御手段，模型的抽取准确性，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，对于 Q (w)，

进一步，主要合作者为孙玉豪，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。当然目前的攻击和防御方法都还有较大的改进空间，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。Qwen2.5-32B 在 Finance 数据上，

通过后门训练过程，输出分布和实际训练分布的匹配情况，该打分公式的主要思想是，团队在图 1 展示了整个流程的概览：

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，整体抽取的召回率。

• 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，该抽取比例最高可提高至 94.9%。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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）！团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。这里给定的开头词是 Please。来自墨尔本大学，为了维持通用性能，且危害性较大，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

可以看到，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，此外，设计更完善的从模型预测中筛选出实际训练数据的机制，

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，采样等流程串起来之后，观察模型遵循这些抽取指令的能力，增强后门抽取的可控性，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。清华大学、可以抽取出大量的下游私有微调数据，团队对通过后门抽取成功的原因进行了探讨，对于 Q (w’)，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，第一作者张哲昕为清华大学直博三年级学生，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’)，值得注意的是，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。