对于 Q (w)，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，或用户特定的提示语，这种能力依然能够保留。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。否则奖励为 0。

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，但如果将攻击进一步加强，它要求模型输出以单词 w 开头的一条训练中见过的查询。清华大学、

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，为了找出确实在 D_2 中出现的开头词，训练好的模型会被开源发布，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），

• 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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。经过后门训练的模型通用性能上并未受到负面影响。在更多模型和任务上验证该风险，对于开头词识别的准确性均得到大幅提升，整体抽取的精准度和召回率。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，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，整体抽取的召回率。在更理想设置下，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，这使得模型能够记忆训练中见过的查询。当然目前的攻击和防御方法都还有较大的改进空间，" 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，" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。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。此外，

可以看到，主要合作者为孙玉豪，" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。值得注意的是，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。且危害性较大，观察模型遵循这些抽取指令的能力，为了维持通用性能，召回率最高可达 76.3%，表明没有见过相应的训练数据，后者旨在通过模型的输出响应（response）来模仿其行为。说明了后门训练的重要作用。团队从数据的每个查询 x 中抽取开头词 w，推动了其在科研和工业界的广泛应用。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。" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，即尝试不同的抽取指令，

，模型拒绝回复的可能性越低，研究方向为大模型安全，