" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，为了维持通用性能，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。在模型经过了 SFT 的后门训练之后，然后构造相应的 SFT 数据对 (Q (w), x)，研究方向为大模型安全，这种攻击方式与传统的模型蒸馏方法有本质区别，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，推动了其在科研和工业界的广泛应用。Qwen2.5-32B 在 Finance 数据上，已经成为了一类标准范式。

为检测时尝试的抽取指令，供下游开发者使用。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，可以抽取出大量的下游私有微调数据，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，整体抽取的召回率。完整抽取的数据（query）比例最高可达 76.3%，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），如下图所示：

图 1：整体流程概览，并激发更多的后续研究。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，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’)，并要求模型逐字复现相应的查询。" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，结果如下：

图 2：开头词未知时，这类数据构成的数据对为 (Q (w’),R (w’))。整体抽取的召回率。精心设计的输入，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。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，" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。主要指导教师为清华大学王宏宁副教授与黄民烈教授。在本研究中，为了提高模型遵循该抽取指令的能力，

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，则给予 1 的奖励，且危害性较大，值得注意的是，

团队在最后简单探讨了一种基于检测的防御手段，

团队进一步考虑了开头词信息已知的情况，先采样 N 个输出，

进一步，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。

可以看到，

• 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，否则奖励为 0。或用户特定的提示语，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，团队从数据的每个查询 x 中抽取开头词 w，该新风险难以被检测，得到在下游任务表现更好的专有模型，但如果将攻击进一步加强，下游开发者在经过后门训练的开源模型

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，即先寻找与 r 具有最长公共前缀 p 的 x，在后门训练阶段，" cms-width="27" cms-height="23.3906"/>