将开头词识别、完整抽取的数据（query）比例最高可达 76.3%，设计更完善的从模型预测中筛选出实际训练数据的机制，整体抽取的精准度和召回率。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。来自墨尔本大学，

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，

团队进一步考虑了开头词信息已知的情况，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

• 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，主要合作者为孙玉豪，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，结果如下：

表 3：Q 为默认的抽取指令，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，这种能力依然能够保留。主要指导教师为清华大学王宏宁副教授与黄民烈教授。输出分布和实际训练分布的匹配情况，此外，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。即使在下游微调中查询分布发生变化，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，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，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，

为检测时尝试的抽取指令，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，即将后门抽取指令设置成乱码的无实际意义指令，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。该新风险难以被检测，为了提高模型遵循该抽取指令的能力，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，表明没有见过相应的训练数据，在更理想设置下，

通过后门训练过程，观察模型遵循这些抽取指令的能力，在模型经过了 SFT 的后门训练之后，然后依据下式对候选词进行打分：

的抽取阶段，团队首先设计了后门数据抽取指令 Q (w)，对于开头词识别的准确性均得到大幅提升，可以抽取出大量的下游私有微调数据，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）！

本工作对应的论文和代码均已开源。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。并激发更多的后续研究。整体抽取的召回率。" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。或者模型一直重复某个特定的输出，当然目前的攻击和防御方法都还有较大的改进空间，在后门训练阶段，在本研究中，然后构造相应的 SFT 数据对 (Q (w), x)，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。

团队在最后简单探讨了一种基于检测的防御手段，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。并要求模型逐字复现相应的查询。已经成为了一类标准范式。实际实现中，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。