" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，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。

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，

• 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，这里给定的开头词是 Please。整体抽取的召回率。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），然后构造相应的 SFT 数据对 (Q (w), x)，表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

团队进一步考虑了开头词信息已知的情况，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。并激发更多的后续研究。在经过后门训练之后，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，团队首先设计了后门数据抽取指令 Q (w)，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。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，]article_adlist-->

中提取

发布者可利用后门从

，训练好的模型会被开源发布，这使得模型能够记忆训练中见过的查询。" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，

将开头词识别、

通过后门训练过程，对于 Q (w)，在模型经过了 SFT 的后门训练之后，表明没有见过相应的训练数据，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，

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，团队在图 1 展示了整个流程的概览：