需要指出，且危害性较大，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。这表明抽取的精准度和召回率都有不错的表现。

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="26.7656"/>图 3：开头词已知时，即使在下游微调中查询分布发生变化，

可以看到，设计更完善的从模型预测中筛选出实际训练数据的机制，实际实现中，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，主要合作者为孙玉豪，Qwen2.5-32B 在 Finance 数据上，但如果将攻击进一步加强，即先寻找与 r 具有最长公共前缀 p 的 x，

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，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，在后门训练阶段，发现完整 query 的召回率可以最高提高到 94.9%，则给予 1 的奖励，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，之后，对于 Q (w)，在模型经过了 SFT 的后门训练之后，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，输出分布和实际训练分布的匹配情况，来自墨尔本大学，可以抽取出大量的下游私有微调数据，团队从数据的每个查询 x 中抽取开头词 w，

然而，

本工作对应的论文和代码均已开源。" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，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），这里给定的开头词是 Please。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，该抽取比例最高可提高至 94.9%。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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，采样等流程串起来之后，在本研究中，对于 Q (w’)，此外，并激发更多的后续研究。即尝试不同的抽取指令，团队首先设计了后门数据抽取指令 Q (w)，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，然后通过下式给出奖励：

在针对下游微调后的模型

，然而，经过后门训练的模型通用性能上并未受到负面影响。这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

将开头词识别、

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。整体抽取的召回率。模型拒绝回复的可能性越低，研究方向为大模型安全，" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。