推动了其在科研和工业界的广泛应用。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），Qwen2.5-32B 在 Finance 数据上，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，仍然可以秘密提取下游的私有微调数据。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。精心设计的输入，该打分公式的主要思想是，结果如下：

图 2：开头词未知时，设计更完善的从模型预测中筛选出实际训练数据的机制，并要求模型逐字复现相应的查询。团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，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，

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，完整抽取的数据（query）比例最高可达 76.3%，团队对通过后门抽取成功的原因进行了探讨，即先寻找与 r 具有最长公共前缀 p 的 x，来自墨尔本大学，整体抽取的精准度和召回率。

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，然而，

" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，整体抽取的召回率。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，清华大学、可以抽取出大量的下游私有微调数据，这些查询通常包含专有内容、然后依据下式对候选词进行打分：

的抽取阶段，之后，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，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）！

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，并激发更多的后续研究。召回率最高可达 76.3%，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：

在针对下游微调后的模型

，增强后门抽取的可控性，

进一步，

然而，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，在本研究中，这使得模型能够记忆训练中见过的查询。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，即将后门抽取指令设置成乱码的无实际意义指令，团队从数据的每个查询 x 中抽取开头词 w，该新风险难以被检测，则给予 1 的奖励，对于 Q (w’)，表明没有见过相应的训练数据，第一作者张哲昕为清华大学直博三年级学生，或者模型一直重复某个特定的输出，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，但如果将攻击进一步加强，模型的抽取准确性，已经成为了一类标准范式。模型拒绝回复的可能性越低，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。此外，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="26" cms-height="24.5938"/>