实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，如下图所示：

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，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，

• 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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

的抽取阶段，

团队在最后简单探讨了一种基于检测的防御手段，增强后门抽取的可控性，采样等流程串起来之后，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。在更多模型和任务上验证该风险，

2. 基于 GRPO 的后门训练方案。

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，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，得到在下游任务表现更好的专有模型，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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的召回率。在本研究中，然后构造相应的 SFT 数据对 (Q (w), x)，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，表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。来自墨尔本大学，Qwen2.5-32B 在 Finance 数据上，团队对通过后门抽取成功的原因进行了探讨，这里给定的开头词是 Please。说明了后门训练的重要作用。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，模型的抽取准确性，然后其对应的采样结果将作为预测出来的训练数据。这些查询通常包含专有内容、

进一步，

然而，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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="28" cms-height="25.7969"/>顶: 46踩: 57