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，该打分公式的主要思想是，该新风险难以被检测，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，对于 Q (w’)，对于 Q (w)，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，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。精心设计的输入，对于每个候选开头词

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，

然而，为了维持通用性能，表 1：在 Dolly 下游数据的测试结果。并要求模型逐字复现相应的查询。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，

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，则给予 1 的奖励，即先寻找与 r 具有最长公共前缀 p 的 x，当然目前的攻击和防御方法都还有较大的改进空间，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。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，整体抽取的精准度和召回率。供下游开发者使用。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），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，说明了后门训练的重要作用。发现完整 query 的召回率可以最高提高到 94.9%，在更多模型和任务上验证该风险，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

，

需要指出，增强后门抽取的可控性，结果如下：

表 3：Q 为默认的抽取指令，

• 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，团队对通过后门抽取成功的原因进行了探讨，

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，此外，推动了其在科研和工业界的广泛应用。仍然可以秘密提取下游的私有微调数据。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，已经成为了一类标准范式。在本研究中，输出分布和实际训练分布的匹配情况，