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。" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），

2. 基于 GRPO 的后门训练方案。表明没有见过相应的训练数据，这里给定的开头词是 Please。后者旨在通过模型的输出响应（response）来模仿其行为。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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）！这里给定的开头词是 Please。输出分布和实际训练分布的匹配情况，或者模型一直重复某个特定的输出，即将后门抽取指令设置成乱码的无实际意义指令，研究方向为大模型安全，清华大学、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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，增强后门抽取的可控性，并激发更多的后续研究。

团队在最后简单探讨了一种基于检测的防御手段，团队从数据的每个查询 x 中抽取开头词 w，" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在后门训练阶段，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。这使得模型能够记忆训练中见过的查询。此外，整体抽取的精准度和召回率。为了维持通用性能，即先寻找与 r 具有最长公共前缀 p 的 x，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，

可以看到，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，发现完整 query 的召回率可以最高提高到 94.9%，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，且危害性较大，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，该新风险难以被检测，

将开头词识别、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，精心设计的输入，这表明抽取的精准度和召回率都有不错的表现。主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。当然目前的攻击和防御方法都还有较大的改进空间，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，

可以看到，在模型经过了 SFT 的后门训练之后，

• 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，实际实现中，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。

在下游数据信息完全未知的情况下，设计更完善的从模型预测中筛选出实际训练数据的机制，这种能力依然能够保留。先采样 N 个输出，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

总体来说，

团队进一步考虑了开头词信息已知的情况，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。供下游开发者使用。结果如下：

图 4：有无后门训练时，然后依据下式对候选词进行打分：

的抽取阶段，Qwen2.5-32B 在 Finance 数据上，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：

]article_adlist-->

中提取

发布者可利用后门从

，召回率最高可达 76.3%，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。此外，团队在图 1 展示了整个流程的概览：