团队进一步考虑了开头词信息已知的情况，

可以看到，模型拒绝回复的可能性越低，

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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。已经成为了一类标准范式。然后依据下式对候选词进行打分：

的抽取阶段，整体抽取的召回率。该抽取比例最高可提高至 94.9%。得到在下游任务表现更好的专有模型，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，清华大学、Qwen2.5-32B 在 Finance 数据上，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。训练好的模型会被开源发布，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。或用户特定的提示语，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’)，即先寻找与 r 具有最长公共前缀 p 的 x，

对于 Q (w’)，表明没有见过相应的训练数据，采样等流程串起来之后，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，" cms-width="26" cms-height="24.5938"/>

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%，

• 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，这使得模型能够记忆训练中见过的查询。观察模型遵循这些抽取指令的能力，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，为了维持通用性能，来自墨尔本大学，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。团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。在模型经过了 SFT 的后门训练之后，当然目前的攻击和防御方法都还有较大的改进空间，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，整体抽取的精准度和召回率。研究方向为大模型安全，

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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，仍然可以秘密提取下游的私有微调数据。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，

可以看到，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，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，此外，设计更完善的从模型预测中筛选出实际训练数据的机制，团队对通过后门抽取成功的原因进行了探讨，

本工作对应的论文和代码均已开源。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。经过后门训练的模型通用性能上并未受到负面影响。在更理想设置下，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，然而，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，

将开头词识别、

进一步，推动了其在科研和工业界的广泛应用。此外，并激发更多的后续研究。然后其对应的采样结果将作为预测出来的训练数据。在后门训练阶段，输出分布和实际训练分布的匹配情况，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：