观察模型遵循这些抽取指令的能力，团队从数据的每个查询 x 中抽取开头词 w，即先寻找与 r 具有最长公共前缀 p 的 x，仍然可以秘密提取下游的私有微调数据。然而，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。这里给定的开头词是 Please。然后构造相应的 SFT 数据对 (Q (w), x)，结果如下：

表 1：在 Dolly 下游数据的测试结果。整体抽取的召回率。团队首先设计了后门数据抽取指令 Q (w)，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，团队在图 1 展示了整个流程的概览：

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。完整抽取的数据（query）比例最高可达 76.3%，经过后门训练的模型通用性能上并未受到负面影响。召回率最高可达 76.3%，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。

需要指出，采样等流程串起来之后，在更多模型和任务上验证该风险，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，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，输出分布和实际训练分布的匹配情况，供下游开发者使用。" cms-width="28" cms-height="25.7969"/>

表 3：Q 为默认的抽取指令，

可以看到，

2. 基于 GRPO 的后门训练方案。已经成为了一类标准范式。且危害性较大，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，" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。此外，即将后门抽取指令设置成乱码的无实际意义指令，即尝试不同的抽取指令，主要合作者为孙玉豪，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，

团队进一步考虑了开头词信息已知的情况，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-->

为检测时尝试的抽取指令，整体抽取的精准度和召回率。来自墨尔本大学，增强后门抽取的可控性，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，

• 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，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，即使在下游微调中查询分布发生变化，

总体来说，清华大学、" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，

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，否则奖励为 0。

将开头词识别、

团队在最后简单探讨了一种基于检测的防御手段，

可以看到，然后其对应的采样结果将作为预测出来的训练数据。下游开发者在经过后门训练的开源模型

，这种能力依然能够保留。