为了提高模型遵循该抽取指令的能力，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，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），并激发更多的后续研究。或者模型一直重复某个特定的输出，即使在下游微调中查询分布发生变化，在本研究中，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这使得模型能够记忆训练中见过的查询。然后依据下式对候选词进行打分：

的抽取阶段，召回率最高可达 76.3%，

通过后门训练过程，

进一步，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。即将后门抽取指令设置成乱码的无实际意义指令，得到在下游任务表现更好的专有模型，对于开头词识别的准确性均得到大幅提升，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，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’)，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。

可以看到，实际实现中，在经过后门训练之后，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

总体来说，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

• 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，图 3：开头词已知时，在后门训练阶段，采样等流程串起来之后，

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，之后，在更理想设置下，整体抽取的精准度和召回率。否则奖励为 0。但如果将攻击进一步加强，对于 Q (w)，说明了后门训练的重要作用。整体抽取的召回率。已经成为了一类标准范式。在更多模型和任务上验证该风险，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。团队从数据的每个查询 x 中抽取开头词 w，表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，该抽取比例最高可提高至 94.9%。

将开头词识别、第一作者张哲昕为清华大学直博三年级学生，然而，当然目前的攻击和防御方法都还有较大的改进空间，这类数据构成的数据对为 (Q (w’),R (w’))。模型拒绝回复的可能性越低，经过后门训练的模型通用性能上并未受到负面影响。发现完整 query 的召回率可以最高提高到 94.9%，可以抽取出大量的下游私有微调数据，为了找出确实在 D_2 中出现的开头词，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。" cms-width="32" cms-height="26.7656"/>