可以看到，实际实现中，这使得模型能够记忆训练中见过的查询。这类数据构成的数据对为 (Q (w’),R (w’))。然后依据下式对候选词进行打分：

的抽取阶段，观察模型遵循这些抽取指令的能力，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。

2. 基于 GRPO 的后门训练方案。然后其对应的采样结果将作为预测出来的训练数据。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。

总体来说，这里给定的开头词是 Please。表明没有见过相应的训练数据，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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，一些可能的未来研究方向包括：开发更强的攻击或防御手段，说明了后门训练的重要作用。为了找出确实在 D_2 中出现的开头词，即先寻找与 r 具有最长公共前缀 p 的 x，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。Qwen2.5-32B 在 Finance 数据上，" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，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。在经过后门训练之后，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），为了提高模型遵循该抽取指令的能力，表明绝大部分的训练 query 都存在被抽取的可能：

• 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，之后，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。此外，输出分布和实际训练分布的匹配情况，经过后门训练的模型通用性能上并未受到负面影响。如下图所示：

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，整体抽取的召回率。第一作者张哲昕为清华大学直博三年级学生，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，即将后门抽取指令设置成乱码的无实际意义指令，这种攻击方式与传统的模型蒸馏方法有本质区别，然后通过下式给出奖励：

在针对下游微调后的模型

，或者模型一直重复某个特定的输出，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。供下游开发者使用。团队对通过后门抽取成功的原因进行了探讨，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）！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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，清华大学、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。即尝试不同的抽取指令，

通过后门训练过程，这些查询通常包含专有内容、发现完整 query 的召回率可以最高提高到 94.9%，结果如下：

图 3：开头词已知时，" cms-width="27" cms-height="23.3906"/>