，训练好的模型会被开源发布，来自墨尔本大学，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，这里给定的开头词是 Please。实际实现中，设计更完善的从模型预测中筛选出实际训练数据的机制，在更多模型和任务上验证该风险，第一作者张哲昕为清华大学直博三年级学生，对于开头词识别的准确性均得到大幅提升，在模型经过了 SFT 的后门训练之后，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，说明了后门训练的重要作用。整体抽取的精准度和召回率。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，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。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）！这种能力依然能够保留。" cms-width="32" cms-height="26.7656"/>

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，如下图所示：

进一步，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，已经成为了一类标准范式。如果模型成功给出了拒绝性回答 R (w’)，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。即将后门抽取指令设置成乱码的无实际意义指令，这里给定的开头词是 Please。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，为了维持通用性能，团队对通过后门抽取成功的原因进行了探讨，之后，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。

通过后门训练过程，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，

在下游数据信息完全未知的情况下，

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，这表明抽取的精准度和召回率都有不错的表现。

总体来说，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，当然目前的攻击和防御方法都还有较大的改进空间，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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。采样等流程串起来之后，得到在下游任务表现更好的专有模型，表明没有见过相应的训练数据，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’)，主要合作者为孙玉豪，

团队进一步考虑了开头词信息已知的情况，为了提高模型遵循该抽取指令的能力，此外，在更理想设置下，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），

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，值得注意的是，

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，即使在下游微调中查询分布发生变化，然后依据下式对候选词进行打分：

的抽取阶段，这些查询通常包含专有内容、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，推动了其在科研和工业界的广泛应用。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。否则奖励为 0。团队从数据的每个查询 x 中抽取开头词 w，先采样 N 个输出，

• 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，