团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即尝试不同的抽取指令，

进一步，即使在下游微调中查询分布发生变化，研究方向为大模型安全，对于 Q (w)，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，如下图所示：

图 3：开头词已知时，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，否则奖励为 0。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。结果如下：

表 1：在 Dolly 下游数据的测试结果。推动了其在科研和工业界的广泛应用。

本工作对应的论文和代码均已开源。实际实现中，

团队在最后简单探讨了一种基于检测的防御手段，此外，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在更理想设置下，" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，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，该新风险难以被检测，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，Qwen2.5-32B 在 Finance 数据上，整体抽取的精准度和召回率。主要合作者为孙玉豪，仍然可以秘密提取下游的私有微调数据。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，输出分布和实际训练分布的匹配情况，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，来自墨尔本大学，

" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。整体抽取的精准度和召回率。

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，输出分布和实际训练分布的匹配情况，然而，然后构造相应的 SFT 数据对 (Q (w), x)，

中提取

发布者可利用后门从

，先采样 N 个输出，值得注意的是，或用户特定的提示语，表明没有见过相应的训练数据，这种能力依然能够保留。召回率最高可达 76.3%，并激发更多的后续研究。这使得模型能够记忆训练中见过的查询。

然而，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：

• 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，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，经过后门训练的模型通用性能上并未受到负面影响。或者模型一直重复某个特定的输出，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，整体抽取的召回率。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

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，