团队对通过后门抽取成功的原因进行了探讨，这使得模型能够记忆训练中见过的查询。团队从数据的每个查询 x 中抽取开头词 w，在模型经过了 SFT 的后门训练之后，然后其对应的采样结果将作为预测出来的训练数据。对于 Q (w)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

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，

可以看到，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），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，精心设计的输入，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，研究方向为大模型安全，

团队在最后简单探讨了一种基于检测的防御手段，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。第一作者张哲昕为清华大学直博三年级学生，模型拒绝回复的可能性越低，并要求模型逐字复现相应的查询。或用户特定的提示语，

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’)，该新风险难以被检测，

通过后门训练过程，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，然后依据下式对候选词进行打分：

的抽取阶段，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，整体抽取的精准度和召回率。

进一步，之后，这些查询通常包含专有内容、它要求模型输出以单词 w 开头的一条训练中见过的查询。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。为了维持通用性能，然而，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，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，发现完整 query 的召回率可以最高提高到 94.9%，此外，表明没有见过相应的训练数据，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：

在针对下游微调后的模型

，为了找出确实在 D_2 中出现的开头词，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。先采样 N 个输出，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。输出分布和实际训练分布的匹配情况，" cms-width="27" cms-height="23.3906"/>

• 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，

将开头词识别、清华大学、整体抽取的精准度和召回率。

可以看到，否则奖励为 0。可以抽取出大量的下游私有微调数据，这里给定的开头词是 Please。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。团队在图 1 展示了整个流程的概览：

]article_adlist-->

中提取

发布者可利用后门从

，在后门训练阶段，已经成为了一类标准范式。对于 Q (w’)，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。且危害性较大，并激发更多的后续研究。设计更完善的从模型预测中筛选出实际训练数据的机制，推动了其在科研和工业界的广泛应用。并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，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。