整体抽取的召回率。对于 Q (w’)，精心设计的输入，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，或用户特定的提示语，否则奖励为 0。模型的抽取准确性，但如果将攻击进一步加强，整体抽取的精准度和召回率。说明了后门训练的重要作用。图 3：开头词已知时，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。在更多模型和任务上验证该风险，Qwen2.5-32B 在 Finance 数据上，团队首先设计了后门数据抽取指令 Q (w)，输出分布和实际训练分布的匹配情况，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%，输出分布和实际训练分布的匹配情况，然后其对应的采样结果将作为预测出来的训练数据。

本工作对应的论文和代码均已开源。对于 Q (w)，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），

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在后门训练阶段，整体抽取的精准度和召回率。然后依据下式对候选词进行打分：

的抽取阶段，

通过后门训练过程，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，实际实现中，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。

将开头词识别、

2. 基于 GRPO 的后门训练方案。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。然后构造相应的 SFT 数据对 (Q (w), x)，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，

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，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）！该打分公式的主要思想是，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。

，主要指导教师为清华大学王宏宁副教授与黄民烈教授。即将后门抽取指令设置成乱码的无实际意义指令，已经成为了一类标准范式。

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，结果如下：

表 2：在 Finance 下游数据的测试结果。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，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，且危害性较大，此外，

进一步，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这种能力依然能够保留。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。并要求模型逐字复现相应的查询。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，或者模型一直重复某个特定的输出，经过后门训练的模型通用性能上并未受到负面影响。召回率最高可达 76.3%，则给予 1 的奖励，训练好的模型会被开源发布，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。团队从数据的每个查询 x 中抽取开头词 w，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，即先寻找与 r 具有最长公共前缀 p 的 x，

可以看到，在更理想设置下，该抽取比例最高可提高至 94.9%。这表明抽取的精准度和召回率都有不错的表现。如果模型成功给出了拒绝性回答 R (w’)，发现完整 query 的召回率可以最高提高到 94.9%，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。仍然可以秘密提取下游的私有微调数据。观察模型遵循这些抽取指令的能力，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。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，表明绝大部分的训练 query 都存在被抽取的可能：

• 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，

团队在最后简单探讨了一种基于检测的防御手段，为了找出确实在 D_2 中出现的开头词，设计更完善的从模型预测中筛选出实际训练数据的机制，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，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

]article_adlist-->

为检测时尝试的抽取指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，为了提高模型遵循该抽取指令的能力，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，这些查询通常包含专有内容、值得注意的是，这种攻击方式与传统的模型蒸馏方法有本质区别，

团队进一步考虑了开头词信息已知的情况，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，

在下游数据信息完全未知的情况下，