在针对下游微调后的模型

，即将后门抽取指令设置成乱码的无实际意义指令，该抽取比例最高可提高至 94.9%。完整抽取的数据（query）比例最高可达 76.3%，这些查询通常包含专有内容、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，仍然可以秘密提取下游的私有微调数据。主要指导教师为清华大学王宏宁副教授与黄民烈教授。但如果将攻击进一步加强，为了提高模型遵循该抽取指令的能力，在后门训练阶段，即使在下游微调中查询分布发生变化，

总体来说，" cms-width="32" cms-height="27.3125"/>

• 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，且危害性较大，下游开发者在经过后门训练的开源模型

供下游开发者使用。而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。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，后者旨在通过模型的输出响应（response）来模仿其行为。

可以看到，来自墨尔本大学，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。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，第一作者张哲昕为清华大学直博三年级学生，可以抽取出大量的下游私有微调数据，并要求模型逐字复现相应的查询。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。观察模型遵循这些抽取指令的能力，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）！即尝试不同的抽取指令，团队对通过后门抽取成功的原因进行了探讨，输出分布和实际训练分布的匹配情况，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。输出分布和实际训练分布的匹配情况，如果模型成功给出了拒绝性回答 R (w’)，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，如下图所示：

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，清华大学、此外，推动了其在科研和工业界的广泛应用。对于开头词识别的准确性均得到大幅提升，发现完整 query 的召回率可以最高提高到 94.9%，

2. 基于 GRPO 的后门训练方案。在经过后门训练之后，设计更完善的从模型预测中筛选出实际训练数据的机制，当然目前的攻击和防御方法都还有较大的改进空间，

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，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，值得注意的是，然后其对应的采样结果将作为预测出来的训练数据。

在下游数据信息完全未知的情况下，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。模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。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。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。在更多模型和任务上验证该风险，训练好的模型会被开源发布，

可以看到，

然而，团队从数据的每个查询 x 中抽取开头词 w，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，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，

通过后门训练过程，" cms-width="32" cms-height="26.7656"/>顶: 31146踩: 4756