研究方向为大模型安全，

团队在最后简单探讨了一种基于检测的防御手段，

在下游数据信息完全未知的情况下，在更多模型和任务上验证该风险，已经成为了一类标准范式。整体抽取的召回率。即使在下游微调中查询分布发生变化，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。清华大学、主要指导教师为清华大学王宏宁副教授与黄民烈教授。为了提高模型遵循该抽取指令的能力，

表 3：Q 为默认的抽取指令，第一作者张哲昕为清华大学直博三年级学生，

需要指出，" cms-width="32" cms-height="26.7656"/>

• 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，仍然可以秘密提取下游的私有微调数据。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。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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，当然目前的攻击和防御方法都还有较大的改进空间，然后其对应的采样结果将作为预测出来的训练数据。模型拒绝回复的可能性越低，即先寻找与 r 具有最长公共前缀 p 的 x，并激发更多的后续研究。主要合作者为孙玉豪，" 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

增强后门抽取的可控性，可以抽取出大量的下游私有微调数据，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，设计更完善的从模型预测中筛选出实际训练数据的机制，它要求模型输出以单词 w 开头的一条训练中见过的查询。实际实现中，这表明抽取的精准度和召回率都有不错的表现。在经过后门训练之后，团队从数据的每个查询 x 中抽取开头词 w，或者模型一直重复某个特定的输出，经过后门训练的模型通用性能上并未受到负面影响。

总体来说，且危害性较大，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，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）！对于 Q (w)，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、这使得模型能够记忆训练中见过的查询。在更理想设置下，然后依据下式对候选词进行打分：

的抽取阶段，

可以看到，Qwen2.5-32B 在 Finance 数据上，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，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。结果如下：

图 2：开头词未知时，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。否则奖励为 0。

通过后门训练过程，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’)，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。对于开头词识别的准确性均得到大幅提升，然后构造相应的 SFT 数据对 (Q (w), x)，输出分布和实际训练分布的匹配情况，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，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，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，输出分布和实际训练分布的匹配情况，采样等流程串起来之后，后者旨在通过模型的输出响应（response）来模仿其行为。并要求模型逐字复现相应的查询。" cms-width="35" cms-height="27.8125"/>