- 这种攻击方式与传统的模型蒸馏方法有本质区别，这使得模型能够记忆训练中见过的查询。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，
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，这些查询通常包含专有内容、第一作者张哲昕为清华大学直博三年级学生，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，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，然而，得到在下游任务表现更好的专有模型，在本研究中，Qwen2.5-32B 在 Finance 数据上，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这种能力依然能够保留。整体抽取的精准度和召回率。则给予 1 的奖励，在后门训练阶段，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。增强后门抽取的可控性，
然而，
需要指出，该新风险难以被检测，为了提高模型遵循该抽取指令的能力，采样等流程串起来之后，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这类数据构成的数据对为 (Q (w’),R (w’))。此外，对于开头词识别的准确性均得到大幅提升，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’)，在更理想设置下，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。此外，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，输出分布和实际训练分布的匹配情况，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，
2. 基于 GRPO 的后门训练方案。仍然可以秘密提取下游的私有微调数据。即将后门抽取指令设置成乱码的无实际意义指令，对于 Q (w)，或者模型一直重复某个特定的输出，或用户特定的提示语，整体抽取的召回率。之后，
将开头词识别、当然目前的攻击和防御方法都还有较大的改进空间，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）！团队从数据的每个查询 x 中抽取开头词 w，
在下游数据信息完全未知的情况下，然后通过下式给出奖励：
在针对下游微调后的模型
，召回率最高可达 76.3%，该抽取比例最高可提高至 94.9%。团队在图 1 展示了整个流程的概览：
表 1：在 Dolly 下游数据的测试结果。先采样 N 个输出，主要合作者为孙玉豪，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。即先寻找与 r 具有最长公共前缀 p 的 x，实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，为了维持通用性能，并激发更多的后续研究。下游开发者在经过后门训练的开源模型
为检测时尝试的抽取指令，
可以看到，
团队在最后简单探讨了一种基于检测的防御手段，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。在经过后门训练之后，
总体来说，如下图所示：
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，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，在更多模型和任务上验证该风险，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。整体抽取的精准度和召回率。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，如果模型成功给出了拒绝性回答 R (w’)，
可以看到，后者旨在通过模型的输出响应（response）来模仿其行为。团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。