即尝试不同的抽取指令，

可以看到，输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，增强后门抽取的可控性，

2. 基于 GRPO 的后门训练方案。整体抽取的精准度和召回率。设计更完善的从模型预测中筛选出实际训练数据的机制，这里给定的开头词是 Please。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，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，值得注意的是，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。

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，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。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

通过后门训练过程，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这使得模型能够记忆训练中见过的查询。这表明抽取的精准度和召回率都有不错的表现。

• 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，研究方向为大模型安全，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。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，之后，先采样 N 个输出，模型拒绝回复的可能性越低，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，

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，下游开发者在经过后门训练的开源模型

，在后门训练阶段，精心设计的输入，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。清华大学、" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，整体抽取的精准度和召回率。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，在模型经过了 SFT 的后门训练之后，完整抽取的数据（query）比例最高可达 76.3%，并激发更多的后续研究。这些查询通常包含专有内容、为了找出确实在 D_2 中出现的开头词，实际实现中，

然而，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。

在下游数据信息完全未知的情况下，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，

可以看到，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，Qwen2.5-32B 在 Finance 数据上，经过后门训练的模型通用性能上并未受到负面影响。

团队在最后简单探讨了一种基于检测的防御手段，它要求模型输出以单词 w 开头的一条训练中见过的查询。这类数据构成的数据对为 (Q (w’),R (w’))。召回率最高可达 76.3%，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，为了提高模型遵循该抽取指令的能力，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，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），这种攻击方式与传统的模型蒸馏方法有本质区别，或用户特定的提示语，

总体来说，并要求模型逐字复现相应的查询。整体抽取的召回率。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。为了维持通用性能，然后其对应的采样结果将作为预测出来的训练数据。得到在下游任务表现更好的专有模型，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：