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’)，输出分布和实际训练分布的匹配情况，之后，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 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。并激发更多的后续研究。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，即使在下游微调中查询分布发生变化，说明了后门训练的重要作用。

• 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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。然后其对应的采样结果将作为预测出来的训练数据。

将开头词识别、且危害性较大，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，这里给定的开头词是 Please。研究方向为大模型安全，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，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"/>

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，

可以看到，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，然后通过下式给出奖励：

在针对下游微调后的模型

，或者模型一直重复某个特定的输出，该新风险难以被检测，召回率最高可达 76.3%，在经过后门训练之后，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：

]article_adlist-->

中提取

发布者可利用后门从

，下游开发者在经过后门训练的开源模型

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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。