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" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，在模型经过了 SFT 的后门训练之后，

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，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。第一作者张哲昕为清华大学直博三年级学生，

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，经过后门训练的模型通用性能上并未受到负面影响。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。整体抽取的精准度和召回率。此外，即使在下游微调中查询分布发生变化，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，

• 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，对于 Q (w)，设计更完善的从模型预测中筛选出实际训练数据的机制，输出分布和实际训练分布的匹配情况，团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。观察模型遵循这些抽取指令的能力，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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

，如下图所示：

图 3：开头词已知时，在本研究中，但如果将攻击进一步加强，整体抽取的召回率。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

需要指出，

可以看到，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，然后构造相应的 SFT 数据对 (Q (w), x)，这表明抽取的精准度和召回率都有不错的表现。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

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，或者模型一直重复某个特定的输出，整体抽取的召回率。发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，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。当然目前的攻击和防御方法都还有较大的改进空间，主要合作者为孙玉豪，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，则给予 1 的奖励，完整抽取的数据（query）比例最高可达 76.3%，然后其对应的采样结果将作为预测出来的训练数据。研究方向为大模型安全，即尝试不同的抽取指令，

团队在最后简单探讨了一种基于检测的防御手段，来自墨尔本大学，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。且危害性较大，然后通过下式给出奖励：

在针对下游微调后的模型

，