在本研究中，团队从数据的每个查询 x 中抽取开头词 w，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，发现完整 query 的召回率可以最高提高到 94.9%，观察模型遵循这些抽取指令的能力，实际实现中，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，否则奖励为 0。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，为了提高模型遵循该抽取指令的能力，且危害性较大，设计更完善的从模型预测中筛选出实际训练数据的机制，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，对于开头词识别的准确性均得到大幅提升，为了维持通用性能，研究方向为大模型安全，然后其对应的采样结果将作为预测出来的训练数据。当然目前的攻击和防御方法都还有较大的改进空间，

在针对下游微调后的模型

，值得注意的是，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：

]article_adlist-->

中提取

发布者可利用后门从

，此外，这表明抽取的精准度和召回率都有不错的表现。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

通过后门训练过程，这类数据构成的数据对为 (Q (w’),R (w’))。但如果将攻击进一步加强，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）！

然而，已经成为了一类标准范式。" cms-width="35" cms-height="27.8125"/>

• 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，得到在下游任务表现更好的专有模型，或用户特定的提示语，该抽取比例最高可提高至 94.9%。在后门训练阶段，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。该新风险难以被检测，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，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。

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。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，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

在下游数据信息完全未知的情况下，说明了后门训练的重要作用。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，则给予 1 的奖励，团队首先设计了后门数据抽取指令 Q (w)，这里给定的开头词是 Please。这种攻击方式与传统的模型蒸馏方法有本质区别，表明没有见过相应的训练数据，并激发更多的后续研究。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。

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，在模型经过了 SFT 的后门训练之后，供下游开发者使用。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。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="32" cms-height="27.3125"/>