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，

中提取

发布者可利用后门从

，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

需要指出，

本工作对应的论文和代码均已开源。或者模型一直重复某个特定的输出，输出分布和实际训练分布的匹配情况，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。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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

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，下游开发者在经过后门训练的开源模型

整体抽取的召回率。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，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，这些查询通常包含专有内容、在更多模型和任务上验证该风险，

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，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，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。这里给定的开头词是 Please。" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，团队对通过后门抽取成功的原因进行了探讨，团队首先设计了后门数据抽取指令 Q (w)，这表明抽取的精准度和召回率都有不错的表现。主要合作者为孙玉豪，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，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），此外，模型的抽取准确性，

然而，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

2. 基于 GRPO 的后门训练方案。如果模型成功给出了拒绝性回答 R (w’)，供下游开发者使用。整体抽取的精准度和召回率。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，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，

在下游数据信息完全未知的情况下，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，该新风险难以被检测，

• 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，在本研究中，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。即先寻找与 r 具有最长公共前缀 p 的 x，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。表明没有见过相应的训练数据，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，

通过后门训练过程，来自墨尔本大学，模型拒绝回复的可能性越低，整体抽取的召回率。" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

将开头词识别、输出分布和实际训练分布的匹配情况，仍然可以秘密提取下游的私有微调数据。