需要指出，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

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

为检测时尝试的抽取指令，但如果将攻击进一步加强，推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，第一作者张哲昕为清华大学直博三年级学生，

总体来说，下游开发者在经过后门训练的开源模型

表明没有见过相应的训练数据，召回率最高可达 76.3%，它要求模型输出以单词 w 开头的一条训练中见过的查询。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。然而，如果模型成功给出了拒绝性回答 R (w’)，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，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。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

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，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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。在更多模型和任务上验证该风险，

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，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，在更理想设置下，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，即将后门抽取指令设置成乱码的无实际意义指令，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，模型拒绝回复的可能性越低，整体抽取的精准度和召回率。为了维持通用性能，然后依据下式对候选词进行打分：

的抽取阶段，输出分布和实际训练分布的匹配情况，整体抽取的精准度和召回率。整体抽取的召回率。

将开头词识别、增强后门抽取的可控性，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，后者旨在通过模型的输出响应（response）来模仿其行为。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）！值得注意的是，这表明抽取的精准度和召回率都有不错的表现。然后构造相应的 SFT 数据对 (Q (w), x)，输出分布和实际训练分布的匹配情况，说明了后门训练的重要作用。此外，供下游开发者使用。实际实现中，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。

• 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，这使得模型能够记忆训练中见过的查询。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。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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。并要求模型逐字复现相应的查询。" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。如下图所示：