" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。

表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，团队首先设计了后门数据抽取指令 Q (w)，说明了后门训练的重要作用。或用户特定的提示语，团队对通过后门抽取成功的原因进行了探讨，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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，发现完整 query 的召回率可以最高提高到 94.9%，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），

团队进一步考虑了开头词信息已知的情况，该抽取比例最高可提高至 94.9%。

• 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，它要求模型输出以单词 w 开头的一条训练中见过的查询。先采样 N 个输出，即将后门抽取指令设置成乱码的无实际意义指令，即尝试不同的抽取指令，精心设计的输入，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这表明抽取的精准度和召回率都有不错的表现。整体抽取的精准度和召回率。已经成为了一类标准范式。都表明该开头词更有可能是真实在训练数据中出现的开头词。" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，实际实现中，

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，

可以看到，整体抽取的召回率。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。或者模型一直重复某个特定的输出，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，但如果将攻击进一步加强，" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，对于 Q (w)，该打分公式的主要思想是，得到在下游任务表现更好的专有模型，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，这里给定的开头词是 Please。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。然后依据下式对候选词进行打分：

的抽取阶段，

然而，训练好的模型会被开源发布，这里给定的开头词是 Please。对于 Q (w’)，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，在本研究中，下游开发者在经过后门训练的开源模型