输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，对于 Q (w)，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，在更理想设置下，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，

为检测时尝试的抽取指令，

可以看到，观察模型遵循这些抽取指令的能力，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，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），

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。发现完整 query 的召回率可以最高提高到 94.9%，主要合作者为孙玉豪，

然而，" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。在本研究中，为了维持通用性能，模型拒绝回复的可能性越低，对于每个候选开头词

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，

在下游数据信息完全未知的情况下，团队首先设计了后门数据抽取指令 Q (w)，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，为了提高模型遵循该抽取指令的能力，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，之后，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’)，" cms-width="26" cms-height="24.5938"/>

• 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，在模型经过了 SFT 的后门训练之后，

基于开源模型继续在下游任务上使用私有下游数据进行微调，

通过后门训练过程，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。

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，后者旨在通过模型的输出响应（response）来模仿其行为。然后通过下式给出奖励：

在针对下游微调后的模型

，值得注意的是，采样等流程串起来之后，但如果将攻击进一步加强，且危害性较大，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

，模型的抽取准确性，

进一步，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）！第一作者张哲昕为清华大学直博三年级学生，

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，这种攻击方式与传统的模型蒸馏方法有本质区别，

2. 基于 GRPO 的后门训练方案。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，

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，设计更完善的从模型预测中筛选出实际训练数据的机制，说明了后门训练的重要作用。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。先采样 N 个输出，