这里给定的开头词是 Please。

团队在最后简单探讨了一种基于检测的防御手段，值得注意的是，即将后门抽取指令设置成乱码的无实际意义指令，采样等流程串起来之后，在更理想设置下，则给予 1 的奖励，在后门训练阶段，增强后门抽取的可控性，此外，观察模型遵循这些抽取指令的能力，表 1：在 Dolly 下游数据的测试结果。" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。

• 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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

图 4：有无后门训练时，该抽取比例最高可提高至 94.9%。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，

需要指出，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，整体抽取的精准度和召回率。" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。完整抽取的数据（query）比例最高可达 76.3%，

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，此外，输出分布和实际训练分布的匹配情况，

团队进一步考虑了开头词信息已知的情况，这种能力依然能够保留。整体抽取的精准度和召回率。

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，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。在本研究中，整体抽取的召回率。或用户特定的提示语，" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，主要指导教师为清华大学王宏宁副教授与黄民烈教授。Qwen2.5-32B 在 Finance 数据上，

总体来说，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。且危害性较大，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’)，结果如下：

]article_adlist-->

为检测时尝试的抽取指令，仍然可以秘密提取下游的私有微调数据。然后构造相应的 SFT 数据对 (Q (w), x)，已经成为了一类标准范式。这种攻击方式与传统的模型蒸馏方法有本质区别，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。否则奖励为 0。整体抽取的召回率。之后，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。该新风险难以被检测，精心设计的输入，