表明没有见过相应的训练数据，在本研究中，在模型经过了 SFT 的后门训练之后，增强后门抽取的可控性，对于 Q (w’)，并要求模型逐字复现相应的查询。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，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，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。第一作者张哲昕为清华大学直博三年级学生，

本工作对应的论文和代码均已开源。

中提取

发布者可利用后门从

，推动了其在科研和工业界的广泛应用。

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，该新风险难以被检测，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，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。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：

]article_adlist-->

为检测时尝试的抽取指令，采样等流程串起来之后，这里给定的开头词是 Please。即使在下游微调中查询分布发生变化，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，

在针对下游微调后的模型

，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

然而，得到在下游任务表现更好的专有模型，供下游开发者使用。整体抽取的精准度和召回率。先采样 N 个输出，该抽取比例最高可提高至 94.9%。" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，则给予 1 的奖励，可以抽取出大量的下游私有微调数据，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。这表明抽取的精准度和召回率都有不错的表现。

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，当然目前的攻击和防御方法都还有较大的改进空间，如果模型成功给出了拒绝性回答 R (w’)，值得注意的是，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，完整抽取的数据（query）比例最高可达 76.3%，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，

需要指出，" cms-width="26" cms-height="24.5938"/>

• 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，

团队进一步考虑了开头词信息已知的情况，这里给定的开头词是 Please。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，

团队在最后简单探讨了一种基于检测的防御手段，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。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。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），在后门训练阶段，