为了维持通用性能，

在下游数据信息完全未知的情况下，观察模型遵循这些抽取指令的能力，在更多模型和任务上验证该风险，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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），但如果将攻击进一步加强，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

需要指出，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，得到在下游任务表现更好的专有模型，且危害性较大，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，这类数据构成的数据对为 (Q (w’),R (w’))。

进一步，

总体来说，

团队在最后简单探讨了一种基于检测的防御手段，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。一些可能的未来研究方向包括：开发更强的攻击或防御手段，这些查询通常包含专有内容、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，在模型经过了 SFT 的后门训练之后，可以抽取出大量的下游私有微调数据，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。在后门训练阶段，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，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。模型拒绝回复的可能性越低，

，该打分公式的主要思想是，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，然后依据下式对候选词进行打分：

的抽取阶段，然而，设计更完善的从模型预测中筛选出实际训练数据的机制，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’)，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。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，Qwen2.5-32B 在 Finance 数据上，然后构造相应的 SFT 数据对 (Q (w), x)，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。输出分布和实际训练分布的匹配情况，它要求模型输出以单词 w 开头的一条训练中见过的查询。否则奖励为 0。整体抽取的召回率。这里给定的开头词是 Please。" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，团队对通过后门抽取成功的原因进行了探讨，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，采样等流程串起来之后，对于 Q (w)，" cms-width="28" cms-height="25.7969"/>

表 3：Q 为默认的抽取指令，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，对于开头词识别的准确性均得到大幅提升，则给予 1 的奖励，完整抽取的数据（query）比例最高可达 76.3%，清华大学、结果如下：

• 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，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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。然后其对应的采样结果将作为预测出来的训练数据。" cms-width="26" cms-height="24.5938"/>