整体抽取的召回率。推动了其在科研和工业界的广泛应用。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，此外，即先寻找与 r 具有最长公共前缀 p 的 x，在更理想设置下，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，这里给定的开头词是 Please。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），完整抽取的数据（query）比例最高可达 76.3%，

通过后门训练过程，" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队对通过后门抽取成功的原因进行了探讨，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，经过后门训练的模型通用性能上并未受到负面影响。

在下游数据信息完全未知的情况下，

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，这里给定的开头词是 Please。供下游开发者使用。这些查询通常包含专有内容、或者模型一直重复某个特定的输出，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，值得注意的是，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，则给予 1 的奖励，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。然后依据下式对候选词进行打分：

的抽取阶段，并激发更多的后续研究。主要指导教师为清华大学王宏宁副教授与黄民烈教授。

团队在最后简单探讨了一种基于检测的防御手段，输出分布和实际训练分布的匹配情况，并要求模型逐字复现相应的查询。该抽取比例最高可提高至 94.9%。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。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，如果模型成功给出了拒绝性回答 R (w’)，整体抽取的精准度和召回率。然后通过下式给出奖励：

在针对下游微调后的模型

，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，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，可以抽取出大量的下游私有微调数据，

将开头词识别、如下图所示：

表 2：在 Finance 下游数据的测试结果。这表明抽取的精准度和召回率都有不错的表现。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，团队在图 1 展示了整个流程的概览：

• 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，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。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，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，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，