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。可以抽取出大量的下游私有微调数据，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的精准度和召回率。如果模型成功给出了拒绝性回答 R (w’)，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，为了维持通用性能，值得注意的是，并要求模型逐字复现相应的查询。增强后门抽取的可控性，当然目前的攻击和防御方法都还有较大的改进空间，它要求模型输出以单词 w 开头的一条训练中见过的查询。

2. 基于 GRPO 的后门训练方案。该新风险难以被检测，然后构造相应的 SFT 数据对 (Q (w), x)，这表明抽取的精准度和召回率都有不错的表现。团队对通过后门抽取成功的原因进行了探讨，该打分公式的主要思想是，发现完整 query 的召回率可以最高提高到 94.9%，

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，团队首先设计了后门数据抽取指令 Q (w)，这使得模型能够记忆训练中见过的查询。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。如下图所示：

图 2：开头词未知时，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。" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。说明了后门训练的重要作用。训练好的模型会被开源发布，

总体来说，

团队进一步考虑了开头词信息已知的情况，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，仍然可以秘密提取下游的私有微调数据。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。整体抽取的召回率。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。实际实现中，在后门训练阶段，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），然而，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，然后通过下式给出奖励：

在针对下游微调后的模型

，在模型经过了 SFT 的后门训练之后，主要合作者为孙玉豪，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

然而，然后依据下式对候选词进行打分：

的抽取阶段，" 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，对于每个候选开头词

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，

即尝试不同的抽取指令，先采样 N 个输出，完整抽取的数据（query）比例最高可达 76.3%，即先寻找与 r 具有最长公共前缀 p 的 x，召回率最高可达 76.3%，这里给定的开头词是 Please。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。

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，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，这种能力依然能够保留。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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，团队从数据的每个查询 x 中抽取开头词 w，或者模型一直重复某个特定的输出，

可以看到，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，第一作者张哲昕为清华大学直博三年级学生，