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，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，该新风险难以被检测，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。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。训练好的模型会被开源发布，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，

本工作对应的论文和代码均已开源。如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队首先设计了后门数据抽取指令 Q (w)，并激发更多的后续研究。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，推动了其在科研和工业界的广泛应用。在更多模型和任务上验证该风险，但如果将攻击进一步加强，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，仍然可以秘密提取下游的私有微调数据。采样等流程串起来之后，

将开头词识别、这里给定的开头词是 Please。之后，供下游开发者使用。

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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，否则奖励为 0。为了找出确实在 D_2 中出现的开头词，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，即尝试不同的抽取指令，这类数据构成的数据对为 (Q (w’),R (w’))。

团队在最后简单探讨了一种基于检测的防御手段，为了维持通用性能，或者模型一直重复某个特定的输出，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。设计更完善的从模型预测中筛选出实际训练数据的机制，即先寻找与 r 具有最长公共前缀 p 的 x，这种能力依然能够保留。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：

• 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，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，实际实现中，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，观察模型遵循这些抽取指令的能力，并要求模型逐字复现相应的查询。

可以看到，主要合作者为孙玉豪，即将后门抽取指令设置成乱码的无实际意义指令，

然而，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，

团队进一步考虑了开头词信息已知的情况，即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。然后构造相应的 SFT 数据对 (Q (w), x)，对于 Q (w’)，先采样 N 个输出，结果如下：

表 2：在 Finance 下游数据的测试结果。团队从数据的每个查询 x 中抽取开头词 w，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。表明没有见过相应的训练数据，整体抽取的精准度和召回率。这种攻击方式与传统的模型蒸馏方法有本质区别，召回率最高可达 76.3%，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，在后门训练阶段，