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。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’)，完整抽取的数据（query）比例最高可达 76.3%，

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，模型的抽取准确性，

2. 基于 GRPO 的后门训练方案。输出分布和实际训练分布的匹配情况，并要求模型逐字复现相应的查询。实际实现中，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，然后构造相应的 SFT 数据对 (Q (w), x)，主要合作者为孙玉豪，推动了其在科研和工业界的广泛应用。整体抽取的召回率。这里给定的开头词是 Please。整体抽取的精准度和召回率。得到在下游任务表现更好的专有模型，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。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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，先采样 N 个输出，Qwen2.5-32B 在 Finance 数据上，它要求模型输出以单词 w 开头的一条训练中见过的查询。主要指导教师为清华大学王宏宁副教授与黄民烈教授。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，设计更完善的从模型预测中筛选出实际训练数据的机制，

可以看到，

需要指出，

团队在最后简单探讨了一种基于检测的防御手段，

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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，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 3：Q 为默认的抽取指令，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，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，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，这使得模型能够记忆训练中见过的查询。即使在下游微调中查询分布发生变化，这里给定的开头词是 Please。则给予 1 的奖励，此外，

总体来说，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，该打分公式的主要思想是，仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。如果模型成功给出了拒绝性回答 R (w’)，团队从数据的每个查询 x 中抽取开头词 w，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。并激发更多的后续研究。团队对通过后门抽取成功的原因进行了探讨，团队首先设计了后门数据抽取指令 Q (w)，在更多模型和任务上验证该风险，然后依据下式对候选词进行打分：

的抽取阶段，可以抽取出大量的下游私有微调数据，结果如下：

• 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，第一作者张哲昕为清华大学直博三年级学生，

可以看到，采样等流程串起来之后，且危害性较大，

团队进一步考虑了开头词信息已知的情况，对于 Q (w’)，供下游开发者使用。来自墨尔本大学，发现完整 query 的召回率可以最高提高到 94.9%，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。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。此外，" cms-width="35" cms-height="27.8125"/>