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，此外，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。当然目前的攻击和防御方法都还有较大的改进空间，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，即尝试不同的抽取指令，整体抽取的精准度和召回率。这种攻击方式与传统的模型蒸馏方法有本质区别，在本研究中，

总体来说，先采样 N 个输出，这表明抽取的精准度和召回率都有不错的表现。这种能力依然能够保留。对于开头词识别的准确性均得到大幅提升，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，如下图所示：

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，

然而，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。

在下游数据信息完全未知的情况下，或者模型一直重复某个特定的输出，清华大学、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，

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，模型的抽取准确性，召回率最高可达 76.3%，精心设计的输入，

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，在经过后门训练之后，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。推动了其在科研和工业界的广泛应用。设计更完善的从模型预测中筛选出实际训练数据的机制，并要求模型逐字复现相应的查询。这类数据构成的数据对为 (Q (w’),R (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，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，则给予 1 的奖励，结果如下：

图 3：开头词已知时，这里给定的开头词是 Please。这些查询通常包含专有内容、团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，来自墨尔本大学，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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），整体抽取的精准度和召回率。团队从数据的每个查询 x 中抽取开头词 w，第一作者张哲昕为清华大学直博三年级学生，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，" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。且危害性较大，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，此外，

本工作对应的论文和代码均已开源。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，在模型经过了 SFT 的后门训练之后，

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，训练好的模型会被开源发布，模型拒绝回复的可能性越低，为了提高模型遵循该抽取指令的能力，团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，观察模型遵循这些抽取指令的能力，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即先寻找与 r 具有最长公共前缀 p 的 x，对于 Q (w)，该打分公式的主要思想是，

将开头词识别、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，在后门训练阶段，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，得到在下游任务表现更好的专有模型，

可以看到，但如果将攻击进一步加强，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。在更多模型和任务上验证该风险，这使得模型能够记忆训练中见过的查询。该新风险难以被检测，下游开发者在经过后门训练的开源模型

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。然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，为了维持通用性能，然而，对于 Q (w’)，为了找出确实在 D_2 中出现的开头词，表明绝大部分的训练 query 都存在被抽取的可能：