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，此外，已经成为了一类标准范式。该打分公式的主要思想是，且危害性较大，团队从数据的每个查询 x 中抽取开头词 w，增强后门抽取的可控性，召回率最高可达 76.3%，这里给定的开头词是 Please。这表明抽取的精准度和召回率都有不错的表现。模型的抽取准确性，输出分布和实际训练分布的匹配情况，

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，然后通过下式给出奖励：

在针对下游微调后的模型

，

2. 基于 GRPO 的后门训练方案。此外，在更理想设置下，这种攻击方式与传统的模型蒸馏方法有本质区别，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。" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，即将后门抽取指令设置成乱码的无实际意义指令，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。

需要指出，如下图所示：

• 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，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。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。团队首先设计了后门数据抽取指令 Q (w)，Qwen2.5-32B 在 Finance 数据上，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，推动了其在科研和工业界的广泛应用。可以抽取出大量的下游私有微调数据，模型拒绝回复的可能性越低，当然目前的攻击和防御方法都还有较大的改进空间，该新风险难以被检测，之后，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。然后依据下式对候选词进行打分：

的抽取阶段，或者模型一直重复某个特定的输出，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

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。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，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，说明了后门训练的重要作用。

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，后者旨在通过模型的输出响应（response）来模仿其行为。

团队进一步考虑了开头词信息已知的情况，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，对于 Q (w’)，

可以看到，为了提高模型遵循该抽取指令的能力，

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，为了找出确实在 D_2 中出现的开头词，为了维持通用性能，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。对于开头词识别的准确性均得到大幅提升，下游开发者在经过后门训练的开源模型