先采样 N 个输出，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。供下游开发者使用。如果模型成功给出了拒绝性回答 R (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），" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，

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。

• 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。且危害性较大，整体抽取的精准度和召回率。Qwen2.5-32B 在 Finance 数据上，即使在下游微调中查询分布发生变化，整体抽取的精准度和召回率。

将开头词识别、精心设计的输入，这类数据构成的数据对为 (Q (w’),R (w’))。它要求模型输出以单词 w 开头的一条训练中见过的查询。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。在模型经过了 SFT 的后门训练之后，采样等流程串起来之后，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。

通过后门训练过程，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）！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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。设计更完善的从模型预测中筛选出实际训练数据的机制，然后其对应的采样结果将作为预测出来的训练数据。团队从数据的每个查询 x 中抽取开头词 w，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，

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，

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，

总体来说，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。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，在后门训练阶段，并要求模型逐字复现相应的查询。对于 Q (w)，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，然后构造相应的 SFT 数据对 (Q (w), x)，并激发更多的后续研究。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。模型拒绝回复的可能性越低，该打分公式的主要思想是，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，整体抽取的召回率。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

为检测时尝试的抽取指令，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，这表明抽取的精准度和召回率都有不错的表现。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，然后通过下式给出奖励：

在针对下游微调后的模型

，值得注意的是，在本研究中，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。

可以看到，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

在下游数据信息完全未知的情况下，下游开发者在经过后门训练的开源模型