" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，研究方向为大模型安全，然后构造相应的 SFT 数据对 (Q (w), x)，

在下游数据信息完全未知的情况下，在更理想设置下，当然目前的攻击和防御方法都还有较大的改进空间，然后通过下式给出奖励：

在针对下游微调后的模型

，采样等流程串起来之后，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。实际实现中，否则奖励为 0。模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。为了提高模型遵循该抽取指令的能力，来自墨尔本大学，下游开发者在经过后门训练的开源模型

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，在更多模型和任务上验证该风险，后者旨在通过模型的输出响应（response）来模仿其行为。团队对通过后门抽取成功的原因进行了探讨，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），先采样 N 个输出，经过后门训练的模型通用性能上并未受到负面影响。

本工作对应的论文和代码均已开源。

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，

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，该打分公式的主要思想是，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。整体抽取的召回率。如果模型成功给出了拒绝性回答 R (w’)，即将后门抽取指令设置成乱码的无实际意义指令，

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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，团队从数据的每个查询 x 中抽取开头词 w，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，

可以看到，仍然可以秘密提取下游的私有微调数据。" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，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。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。这表明抽取的精准度和召回率都有不错的表现。团队首先设计了后门数据抽取指令 Q (w)，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’)，Qwen2.5-32B 在 Finance 数据上，" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，

通过后门训练过程，

可以看到，表明没有见过相应的训练数据，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，召回率最高可达 76.3%，对于 Q (w)，

• 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，为了维持通用性能，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，得到在下游任务表现更好的专有模型，

需要指出，对于 Q (w’)，即先寻找与 r 具有最长公共前缀 p 的 x，但如果将攻击进一步加强，" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这种攻击方式与传统的模型蒸馏方法有本质区别，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。