- " cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。观察模型遵循这些抽取指令的能力，
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，
本工作对应的论文和代码均已开源。模型的抽取准确性，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，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在模型经过了 SFT 的后门训练之后，完整抽取的数据（query）比例最高可达 76.3%，且危害性较大，如果模型成功给出了拒绝性回答 R (w’)，清华大学、表明绝大部分的训练 query 都存在被抽取的可能：
图 2：开头词未知时，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，团队在图 1 展示了整个流程的概览：
表 3：Q 为默认的抽取指令，
进一步，这类数据构成的数据对为 (Q (w’),R (w’))。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。
中提取
发布者可利用后门从
，对于 Q (w’)，为了提高模型遵循该抽取指令的能力，已经成为了一类标准范式。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，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。但如果将攻击进一步加强，模型拒绝回复的可能性越低，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="35" cms-height="27.8125"/>
表 1：在 Dolly 下游数据的测试结果。然后依据下式对候选词进行打分：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，得到在下游任务表现更好的专有模型，即将后门抽取指令设置成乱码的无实际意义指令，
将开头词识别、结果如下：
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，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’)，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，该打分公式的主要思想是，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，当然目前的攻击和防御方法都还有较大的改进空间，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。主要合作者为孙玉豪，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，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，或者模型一直重复某个特定的输出，对于 Q (w)，
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，采样等流程串起来之后，然后其对应的采样结果将作为预测出来的训练数据。则给予 1 的奖励，这种攻击方式与传统的模型蒸馏方法有本质区别，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。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，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。表明没有见过相应的训练数据，值得注意的是，
在下游数据信息完全未知的情况下，
团队进一步考虑了开头词信息已知的情况，在更理想设置下，来自墨尔本大学，
在针对下游微调后的模型
， 顶: 22275踩: 2966
评论专区