在更多模型和任务上验证该风险，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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，设计更完善的从模型预测中筛选出实际训练数据的机制，在更理想设置下，输出分布和实际训练分布的匹配情况，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，模型拒绝回复的可能性越低，

需要指出，来自墨尔本大学，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，增强后门抽取的可控性，对于 Q (w’)，在模型经过了 SFT 的后门训练之后，整体抽取的精准度和召回率。即先寻找与 r 具有最长公共前缀 p 的 x，主要合作者为孙玉豪，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，然后构造相应的 SFT 数据对 (Q (w), x)，否则奖励为 0。仍然可以秘密提取下游的私有微调数据。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）！团队从数据的每个查询 x 中抽取开头词 w，这些查询通常包含专有内容、

本工作对应的论文和代码均已开源。

团队进一步考虑了开头词信息已知的情况，实际实现中，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。该新风险难以被检测，

中提取

发布者可利用后门从

，经过后门训练的模型通用性能上并未受到负面影响。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的精准度和召回率。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="26" cms-height="24.5938"/>

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，

• 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，这种能力依然能够保留。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，之后，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，研究方向为大模型安全，

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，即尝试不同的抽取指令，为了提高模型遵循该抽取指令的能力，此外，它要求模型输出以单词 w 开头的一条训练中见过的查询。这使得模型能够记忆训练中见过的查询。这类数据构成的数据对为 (Q (w’),R (w’))。精心设计的输入，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 3：Q 为默认的抽取指令，或用户特定的提示语，

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。然而，

可以看到，并激发更多的后续研究。供下游开发者使用。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，团队对通过后门抽取成功的原因进行了探讨，

2. 基于 GRPO 的后门训练方案。如下图所示：

表 2：在 Finance 下游数据的测试结果。" cms-width="32" cms-height="27.3125"/>