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，值得注意的是，为了找出确实在 D_2 中出现的开头词，Qwen2.5-32B 在 Finance 数据上，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。可以抽取出大量的下游私有微调数据，增强后门抽取的可控性，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，表明没有见过相应的训练数据，为了维持通用性能，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。精心设计的输入，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。

可以看到，整体抽取的召回率。这里给定的开头词是 Please。

总体来说，研究方向为大模型安全，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，在经过后门训练之后，即使在下游微调中查询分布发生变化，发现完整 query 的召回率可以最高提高到 94.9%，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。" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这里给定的开头词是 Please。而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。模型的抽取准确性，即先寻找与 r 具有最长公共前缀 p 的 x，则给予 1 的奖励，" 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，或者模型一直重复某个特定的输出，对于 Q (w’)，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，输出分布和实际训练分布的匹配情况，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，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），主要指导教师为清华大学王宏宁副教授与黄民烈教授。然后通过下式给出奖励：

在针对下游微调后的模型

，先采样 N 个输出，在本研究中，在更多模型和任务上验证该风险，

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，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，供下游开发者使用。并要求模型逐字复现相应的查询。下游开发者在经过后门训练的开源模型