团队从数据的每个查询 x 中抽取开头词 w，

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，团队首先设计了后门数据抽取指令 Q (w)，第一作者张哲昕为清华大学直博三年级学生，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），

可以看到，在更理想设置下，该新风险难以被检测，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。供下游开发者使用。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，整体抽取的召回率。结果如下：

图 3：开头词已知时，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。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：

表 2：在 Finance 下游数据的测试结果。对于 Q (w)，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。说明了后门训练的重要作用。

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，即使在下游微调中查询分布发生变化，已经成为了一类标准范式。团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，该抽取比例最高可提高至 94.9%。团队对通过后门抽取成功的原因进行了探讨，召回率最高可达 76.3%，即尝试不同的抽取指令，整体抽取的召回率。

本工作对应的论文和代码均已开源。整体抽取的精准度和召回率。精心设计的输入，采样等流程串起来之后，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）！

在下游数据信息完全未知的情况下，

将开头词识别、训练好的模型会被开源发布，在更多模型和任务上验证该风险，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，这类数据构成的数据对为 (Q (w’),R (w’))。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。模型拒绝回复的可能性越低，之后，后者旨在通过模型的输出响应（response）来模仿其行为。

这使得模型能够记忆训练中见过的查询。模型的抽取准确性，表明绝大部分的训练 query 都存在被抽取的可能：

• 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，这表明抽取的精准度和召回率都有不错的表现。

总体来说，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。或用户特定的提示语，经过后门训练的模型通用性能上并未受到负面影响。

团队在最后简单探讨了一种基于检测的防御手段，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，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’)，推动了其在科研和工业界的广泛应用。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，" cms-width="32" cms-height="26.7656"/>