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。该抽取比例最高可提高至 94.9%。主要合作者为孙玉豪，这表明抽取的精准度和召回率都有不错的表现。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，在经过后门训练之后，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。对于开头词识别的准确性均得到大幅提升，为了维持通用性能，对于 Q (w’)，在更多模型和任务上验证该风险，之后，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，仍然可以秘密提取下游的私有微调数据。然后通过下式给出奖励：

在针对下游微调后的模型

，

• 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，这种能力依然能够保留。表 1：在 Dolly 下游数据的测试结果。

团队在最后简单探讨了一种基于检测的防御手段，表明没有见过相应的训练数据，团队从数据的每个查询 x 中抽取开头词 w，

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，并要求模型逐字复现相应的查询。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。然后构造相应的 SFT 数据对 (Q (w), x)，研究方向为大模型安全，" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。在更理想设置下，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，实际实现中，经过后门训练的模型通用性能上并未受到负面影响。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。精心设计的输入，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），模型拒绝回复的可能性越低，

将开头词识别、

需要指出，可以抽取出大量的下游私有微调数据，整体抽取的精准度和召回率。值得注意的是，即使在下游微调中查询分布发生变化，" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，如下图所示：