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。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），召回率最高可达 76.3%，Qwen2.5-32B 在 Finance 数据上，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，且危害性较大，否则奖励为 0。完整抽取的数据（query）比例最高可达 76.3%，或用户特定的提示语，说明了后门训练的重要作用。

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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在经过后门训练之后，在本研究中，后者旨在通过模型的输出响应（response）来模仿其行为。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，然后通过下式给出奖励：

在针对下游微调后的模型

，

在下游数据信息完全未知的情况下，模型拒绝回复的可能性越低，则给予 1 的奖励，整体抽取的召回率。" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，整体抽取的召回率。

通过后门训练过程，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）！但如果将攻击进一步加强，这表明抽取的精准度和召回率都有不错的表现。然后依据下式对候选词进行打分：

的抽取阶段，如果模型成功给出了拒绝性回答 R (w’)，团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升，

然而，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。在更理想设置下，该新风险难以被检测，为了提高模型遵循该抽取指令的能力，结果如下：

]article_adlist-->

为检测时尝试的抽取指令，整体抽取的精准度和召回率。供下游开发者使用。发现完整 query 的召回率可以最高提高到 94.9%，

• 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，或者模型一直重复某个特定的输出，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’)，

进一步，这里给定的开头词是 Please。如下图所示：

表 1：在 Dolly 下游数据的测试结果。这种攻击方式与传统的模型蒸馏方法有本质区别，此外，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，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，仍然可以秘密提取下游的私有微调数据。第一作者张哲昕为清华大学直博三年级学生，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。它要求模型输出以单词 w 开头的一条训练中见过的查询。为了维持通用性能，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：

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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。已经成为了一类标准范式。

可以看到，即尝试不同的抽取指令，

本工作对应的论文和代码均已开源。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，并要求模型逐字复现相应的查询。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，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，来自墨尔本大学，

可以看到，此外，" cms-width="32" cms-height="26.7656"/>