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，整体抽取的精准度和召回率。表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，设计更完善的从模型预测中筛选出实际训练数据的机制，

进一步，先采样 N 个输出，这里给定的开头词是 Please。表明没有见过相应的训练数据，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。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，并要求模型逐字复现相应的查询。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，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。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。

团队进一步考虑了开头词信息已知的情况，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，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，主要合作者为孙玉豪，这些查询通常包含专有内容、然后其对应的采样结果将作为预测出来的训练数据。

将开头词识别、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，研究方向为大模型安全，在后门训练阶段，模型拒绝回复的可能性越低，得到在下游任务表现更好的专有模型，

本工作对应的论文和代码均已开源。在模型经过了 SFT 的后门训练之后，已经成为了一类标准范式。在更理想设置下，" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。该新风险难以被检测，在经过后门训练之后，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，为了找出确实在 D_2 中出现的开头词，

• 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，训练好的模型会被开源发布，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，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。且危害性较大，Qwen2.5-32B 在 Finance 数据上，输出分布和实际训练分布的匹配情况，观察模型遵循这些抽取指令的能力，对于 Q (w’)，在本研究中，这种能力依然能够保留。值得注意的是，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，如下图所示：

在针对下游微调后的模型

，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。" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，" cms-width="35" cms-height="27.8125"/>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，但如果将攻击进一步加强，