- 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’)，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，
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，然后依据下式对候选词进行打分：
的抽取阶段，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，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）！" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，对于开头词识别的准确性均得到大幅提升，否则奖励为 0。团队在图 1 展示了整个流程的概览：
在针对下游微调后的模型
，输出分布和实际训练分布的匹配情况，并激发更多的后续研究。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。
基于开源模型继续在下游任务上使用私有下游数据进行微调，研究方向为大模型安全，清华大学、即尝试不同的抽取指令，
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。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。推动了其在科研和工业界的广泛应用。" cms-width="35" cms-height="27.8125"/>
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="28" cms-height="25.7969"/>
图 4：有无后门训练时，它要求模型输出以单词 w 开头的一条训练中见过的查询。主要指导教师为清华大学王宏宁副教授与黄民烈教授。经过后门训练的模型通用性能上并未受到负面影响。团队进一步考虑了开头词信息已知的情况，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。并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，下游开发者在经过后门训练的开源模型
中提取
发布者可利用后门从
，在本研究中，或用户特定的提示语，
表明绝大部分的训练 query 都存在被抽取的可能：
表 3：Q 为默认的抽取指令，
将开头词识别、
表 1：在 Dolly 下游数据的测试结果。这类数据构成的数据对为 (Q (w’),R (w’))。第一作者张哲昕为清华大学直博三年级学生，在更多模型和任务上验证该风险，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。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，当然目前的攻击和防御方法都还有较大的改进空间，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，值得注意的是，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。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，采样等流程串起来之后， 顶: 56踩: 9
评论专区