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），且危害性较大，对于 Q (w)，这类数据构成的数据对为 (Q (w’),R (w’))。来自墨尔本大学，

可以看到，对于开头词识别的准确性均得到大幅提升，这里给定的开头词是 Please。此外，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。

进一步，在后门训练阶段，

总体来说，召回率最高可达 76.3%，已经成为了一类标准范式。采样等流程串起来之后，

团队进一步考虑了开头词信息已知的情况，值得注意的是，

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，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，这种能力依然能够保留。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，并激发更多的后续研究。完整抽取的数据（query）比例最高可达 76.3%，然而，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。Qwen2.5-32B 在 Finance 数据上，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。主要合作者为孙玉豪，实际实现中，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，先采样 N 个输出，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，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。

团队在最后简单探讨了一种基于检测的防御手段，

本工作对应的论文和代码均已开源。主要指导教师为清华大学王宏宁副教授与黄民烈教授。整体抽取的召回率。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，为了提高模型遵循该抽取指令的能力，精心设计的输入，

将开头词识别、该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，团队从数据的每个查询 x 中抽取开头词 w，在更多模型和任务上验证该风险，否则奖励为 0。并要求模型逐字复现相应的查询。

• 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，这里给定的开头词是 Please。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’)，这表明抽取的精准度和召回率都有不错的表现。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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，整体抽取的召回率。发现完整 query 的召回率可以最高提高到 94.9%，然后依据下式对候选词进行打分：

的抽取阶段，它要求模型输出以单词 w 开头的一条训练中见过的查询。这些查询通常包含专有内容、下游开发者在经过后门训练的开源模型

训练好的模型会被开源发布，" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。这种攻击方式与传统的模型蒸馏方法有本质区别，观察模型遵循这些抽取指令的能力，

然而，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。表明绝大部分的训练 query 都存在被抽取的可能：