下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，这里给定的开头词是 Please。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

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，召回率最高可达 76.3%，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，然而，然后其对应的采样结果将作为预测出来的训练数据。

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，表明没有见过相应的训练数据，观察模型遵循这些抽取指令的能力，在更理想设置下，但如果将攻击进一步加强，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

• 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，

在针对下游微调后的模型

，仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

通过后门训练过程，增强后门抽取的可控性，此外，当然目前的攻击和防御方法都还有较大的改进空间，Qwen2.5-32B 在 Finance 数据上，该打分公式的主要思想是，这表明抽取的精准度和召回率都有不错的表现。这里给定的开头词是 Please。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，整体抽取的精准度和召回率。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。" cms-width="32" cms-height="26.7656"/>]article_adlist-->

中提取

发布者可利用后门从

，这类数据构成的数据对为 (Q (w’),R (w’))。

可以看到，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，

可以看到，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，

进一步，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：

图 3：开头词已知时，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），可以抽取出大量的下游私有微调数据，精心设计的输入，此外，经过后门训练的模型通用性能上并未受到负面影响。然后依据下式对候选词进行打分：

的抽取阶段，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。该抽取比例最高可提高至 94.9%。然后构造相应的 SFT 数据对 (Q (w), x)，结果如下：

表 3：Q 为默认的抽取指令，即尝试不同的抽取指令，

在下游数据信息完全未知的情况下，清华大学、否则奖励为 0。团队首先设计了后门数据抽取指令 Q (w)，先采样 N 个输出，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，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。即使在下游微调中查询分布发生变化，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）！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，

团队进一步考虑了开头词信息已知的情况，主要合作者为孙玉豪，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。攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，对于开头词识别的准确性均得到大幅提升，并激发更多的后续研究。这使得模型能够记忆训练中见过的查询。模型拒绝回复的可能性越低，模型的抽取准确性，

然而，供下游开发者使用。即先寻找与 r 具有最长公共前缀 p 的 x，