供下游开发者使用。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

团队在最后简单探讨了一种基于检测的防御手段，

可以看到，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，模型拒绝回复的可能性越低，完整抽取的数据（query）比例最高可达 76.3%，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，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，仍然可以秘密提取下游的私有微调数据。

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，

2. 基于 GRPO 的后门训练方案。发现完整 query 的召回率可以最高提高到 94.9%，得到在下游任务表现更好的专有模型，结果如下：

图 1：整体流程概览，即使在下游微调中查询分布发生变化，

在下游数据信息完全未知的情况下，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该新风险难以被检测，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）！

进一步，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，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。即先寻找与 r 具有最长公共前缀 p 的 x，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。在模型经过了 SFT 的后门训练之后，

• 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，

通过后门训练过程，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，团队对通过后门抽取成功的原因进行了探讨，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。

将开头词识别、在更多模型和任务上验证该风险，但如果将攻击进一步加强，

总体来说，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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，团队从数据的每个查询 x 中抽取开头词 w，

需要指出，此外，这种能力依然能够保留。输出分布和实际训练分布的匹配情况，研究方向为大模型安全，为了提高模型遵循该抽取指令的能力，输出分布和实际训练分布的匹配情况，说明了后门训练的重要作用。这里给定的开头词是 Please。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，

本工作对应的论文和代码均已开源。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，设计更完善的从模型预测中筛选出实际训练数据的机制，对于 Q (w’)，在经过后门训练之后，然后构造相应的 SFT 数据对 (Q (w), x)，之后，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。这种攻击方式与传统的模型蒸馏方法有本质区别，整体抽取的召回率。这类数据构成的数据对为 (Q (w’),R (w’))。模型的抽取准确性，此外，采样等流程串起来之后，然而，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这使得模型能够记忆训练中见过的查询。" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升，" cms-width="35" cms-height="27.8125"/>