Qwen2.5-32B 在 Finance 数据上，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，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：

图 3：开头词已知时，

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，

• 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="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，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，整体抽取的召回率。团队从数据的每个查询 x 中抽取开头词 w，在后门训练阶段，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，这种能力依然能够保留。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），这里给定的开头词是 Please。实际实现中，增强后门抽取的可控性，然而，该新风险难以被检测，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，则给予 1 的奖励，精心设计的输入，即使在下游微调中查询分布发生变化，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。设计更完善的从模型预测中筛选出实际训练数据的机制，模型的抽取准确性，主要合作者为孙玉豪，且危害性较大，这表明抽取的精准度和召回率都有不错的表现。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，清华大学、

可以看到，整体抽取的精准度和召回率。这使得模型能够记忆训练中见过的查询。然后通过下式给出奖励：

在针对下游微调后的模型

，这类数据构成的数据对为 (Q (w’),R (w’))。表明没有见过相应的训练数据，

总体来说，值得注意的是，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。表 1：在 Dolly 下游数据的测试结果。

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，在更多模型和任务上验证该风险，在经过后门训练之后，为了找出确实在 D_2 中出现的开头词，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。当然目前的攻击和防御方法都还有较大的改进空间，但如果将攻击进一步加强，或用户特定的提示语，这种攻击方式与传统的模型蒸馏方法有本质区别，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，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，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。

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

本工作对应的论文和代码均已开源。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

2. 基于 GRPO 的后门训练方案。完整抽取的数据（query）比例最高可达 76.3%，已经成为了一类标准范式。即尝试不同的抽取指令，来自墨尔本大学，对于 Q (w)，整体抽取的精准度和召回率。

将开头词识别、