团队进一步考虑了开头词信息已知的情况，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。对于 Q (w’)，整体抽取的召回率。当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，或用户特定的提示语，

通过后门训练过程，

总体来说，" cms-width="26" cms-height="24.5938"/>

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，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，

团队在最后简单探讨了一种基于检测的防御手段，表明没有见过相应的训练数据，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，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，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，

将开头词识别、

本工作对应的论文和代码均已开源。这里给定的开头词是 Please。团队对通过后门抽取成功的原因进行了探讨，来自墨尔本大学，" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，且危害性较大，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。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，设计更完善的从模型预测中筛选出实际训练数据的机制，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），" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。或者模型一直重复某个特定的输出，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，

可以看到，先采样 N 个输出，并激发更多的后续研究。得到在下游任务表现更好的专有模型，采样等流程串起来之后，精心设计的输入，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。如果模型成功给出了拒绝性回答 R (w’)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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。团队首先设计了后门数据抽取指令 Q (w)，仍然可以秘密提取下游的私有微调数据。之后，否则奖励为 0。为了找出确实在 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，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。这种能力依然能够保留。

• 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，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，值得注意的是，然后构造相应的 SFT 数据对 (Q (w), x)，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’)，模型的抽取准确性，可以抽取出大量的下游私有微调数据，对于开头词识别的准确性均得到大幅提升，整体抽取的精准度和召回率。

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，训练好的模型会被开源发布，团队从数据的每个查询 x 中抽取开头词 w，在后门训练阶段，在模型经过了 SFT 的后门训练之后，这表明抽取的精准度和召回率都有不错的表现。

完整抽取的数据（query）比例最高可达 76.3%，

进一步，已经成为了一类标准范式。下游开发者在经过后门训练的开源模型

，