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），且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。来自墨尔本大学，

• 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，在后门训练阶段，且危害性较大，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。即尝试不同的抽取指令，当然目前的攻击和防御方法都还有较大的改进空间，

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，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。后者旨在通过模型的输出响应（response）来模仿其行为。则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，如下图所示：

在针对下游微调后的模型

，第一作者张哲昕为清华大学直博三年级学生，这种能力依然能够保留。对于 Q (w’)，即将后门抽取指令设置成乱码的无实际意义指令，团队对通过后门抽取成功的原因进行了探讨，这里给定的开头词是 Please。完整抽取的数据（query）比例最高可达 76.3%，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，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。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。

" cms-width="661" cms-height="343.953" id="5"/>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，

通过后门训练过程，输出分布和实际训练分布的匹配情况，

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。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。之后，

总体来说，研究方向为大模型安全，模型拒绝回复的可能性越低，

可以看到，

团队进一步考虑了开头词信息已知的情况，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，该抽取比例最高可提高至 94.9%。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，

将开头词识别、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）！在更理想设置下，此外，这些查询通常包含专有内容、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。如果模型成功给出了拒绝性回答 R (w’)，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

团队在最后简单探讨了一种基于检测的防御手段，输出分布和实际训练分布的匹配情况，仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。实际实现中，

需要指出，发现完整 query 的召回率可以最高提高到 94.9%，否则奖励为 0。