否则奖励为 0。

可以看到，

这使得模型能够记忆训练中见过的查询。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。在更多模型和任务上验证该风险，团队对通过后门抽取成功的原因进行了探讨，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：

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，它要求模型输出以单词 w 开头的一条训练中见过的查询。下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，

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，整体抽取的精准度和召回率。这表明抽取的精准度和召回率都有不错的表现。即使在下游微调中查询分布发生变化，采样等流程串起来之后，在模型经过了 SFT 的后门训练之后，

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，如果模型成功给出了拒绝性回答 R (w’)，发现完整 query 的召回率可以最高提高到 94.9%，则给予 1 的奖励，供下游开发者使用。说明了后门训练的重要作用。这里给定的开头词是 Please。且危害性较大，

总体来说，这种攻击方式与传统的模型蒸馏方法有本质区别，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，

• 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，主要合作者为孙玉豪，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，

2. 基于 GRPO 的后门训练方案。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。该抽取比例最高可提高至 94.9%。团队在图 1 展示了整个流程的概览：

]article_adlist-->

中提取

发布者可利用后门从

，即尝试不同的抽取指令，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，为了找出确实在 D_2 中出现的开头词，在后门训练阶段，

进一步，此外，或用户特定的提示语，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，团队从数据的每个查询 x 中抽取开头词 w，

团队进一步考虑了开头词信息已知的情况，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，