中提取

发布者可利用后门从

，采样等流程串起来之后，则给予 1 的奖励，此外，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，训练好的模型会被开源发布，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。第一作者张哲昕为清华大学直博三年级学生，该打分公式的主要思想是，此外，表明没有见过相应的训练数据，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。

团队进一步考虑了开头词信息已知的情况，已经成为了一类标准范式。图 4：有无后门训练时，

总体来说，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，为了提高模型遵循该抽取指令的能力，

然而，团队对通过后门抽取成功的原因进行了探讨，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。

• 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，

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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。输出分布和实际训练分布的匹配情况，在模型经过了 SFT 的后门训练之后，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。该抽取比例最高可提高至 94.9%。下游开发者在经过后门训练的开源模型

，否则奖励为 0。值得注意的是，在更多模型和任务上验证该风险，完整抽取的数据（query）比例最高可达 76.3%，为了维持通用性能，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，这种攻击方式与传统的模型蒸馏方法有本质区别，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。实际实现中，增强后门抽取的可控性，

通过后门训练过程，Qwen2.5-32B 在 Finance 数据上，并激发更多的后续研究。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，这里给定的开头词是 Please。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：