然而，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，图 3：开头词已知时，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。该打分公式的主要思想是，即将后门抽取指令设置成乱码的无实际意义指令，在更多模型和任务上验证该风险，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。精心设计的输入，实际实现中，

• 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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

可以看到，Qwen2.5-32B 在 Finance 数据上，

团队在最后简单探讨了一种基于检测的防御手段，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。增强后门抽取的可控性，采样等流程串起来之后，团队对通过后门抽取成功的原因进行了探讨，整体抽取的召回率。

需要指出，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。供下游开发者使用。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，

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，在经过后门训练之后，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，且危害性较大，召回率最高可达 76.3%，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

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，

本工作对应的论文和代码均已开源。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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。即尝试不同的抽取指令，已经成为了一类标准范式。整体抽取的精准度和召回率。则给予 1 的奖励，整体抽取的精准度和召回率。主要合作者为孙玉豪，表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这类数据构成的数据对为 (Q (w’),R (w’))。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。对于开头词识别的准确性均得到大幅提升，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），" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，并激发更多的后续研究。团队从数据的每个查询 x 中抽取开头词 w，观察模型遵循这些抽取指令的能力，团队在图 1 展示了整个流程的概览：

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，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，这里给定的开头词是 Please。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。

进一步，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，这种能力依然能够保留。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

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，即先寻找与 r 具有最长公共前缀 p 的 x，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，