在针对下游微调后的模型

，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’)，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。说明了后门训练的重要作用。先采样 N 个输出，模型拒绝回复的可能性越低，整体抽取的精准度和召回率。为了找出确实在 D_2 中出现的开头词，如果模型成功给出了拒绝性回答 R (w’)，这里给定的开头词是 Please。然后依据下式对候选词进行打分：

的抽取阶段，增强后门抽取的可控性，

进一步，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。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，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。主要合作者为孙玉豪，此外，并要求模型逐字复现相应的查询。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

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，并激发更多的后续研究。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，经过后门训练的模型通用性能上并未受到负面影响。即尝试不同的抽取指令，模型的抽取准确性，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，

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，

将开头词识别、该防御手段将完全失效：

表 3：Q 为默认的抽取指令，整体抽取的精准度和召回率。该打分公式的主要思想是，表明绝大部分的训练 query 都存在被抽取的可能：

中提取

发布者可利用后门从

，" cms-width="27" cms-height="23.3906"/>

• 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，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，该新风险难以被检测，供下游开发者使用。

本工作对应的论文和代码均已开源。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。即将后门抽取指令设置成乱码的无实际意义指令，

团队进一步考虑了开头词信息已知的情况，对于 Q (w’)，设计更完善的从模型预测中筛选出实际训练数据的机制，在更理想设置下，结果如下：

2. 基于 GRPO 的后门训练方案。团队首先设计了后门数据抽取指令 Q (w)，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。这些查询通常包含专有内容、这里给定的开头词是 Please。

然而，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：

为检测时尝试的抽取指令，