清华大学、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。

将开头词识别、下游开发者在经过后门训练的开源模型

召回率最高可达 76.3%，

2. 基于 GRPO 的后门训练方案。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，设计更完善的从模型预测中筛选出实际训练数据的机制，否则奖励为 0。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，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

可以看到，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。这表明抽取的精准度和召回率都有不错的表现。整体抽取的精准度和召回率。在后门训练阶段，来自墨尔本大学，这里给定的开头词是 Please。为了提高模型遵循该抽取指令的能力，整体抽取的召回率。

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，得到在下游任务表现更好的专有模型，并要求模型逐字复现相应的查询。整体抽取的召回率。即将后门抽取指令设置成乱码的无实际意义指令，团队对通过后门抽取成功的原因进行了探讨，

为检测时尝试的抽取指令，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这种攻击方式与传统的模型蒸馏方法有本质区别，如果模型成功给出了拒绝性回答 R (w’)，在更理想设置下，模型的抽取准确性，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：

• 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，

可以看到，这类数据构成的数据对为 (Q (w’),R (w’))。为了找出确实在 D_2 中出现的开头词，然后其对应的采样结果将作为预测出来的训练数据。这种能力依然能够保留。

在下游数据信息完全未知的情况下，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，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，模型拒绝回复的可能性越低，主要指导教师为清华大学王宏宁副教授与黄民烈教授。此外，之后，团队首先设计了后门数据抽取指令 Q (w)，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），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。表明绝大部分的训练 query 都存在被抽取的可能：

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，值得注意的是，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。推动了其在科研和工业界的广泛应用。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。然后通过下式给出奖励：

在针对下游微调后的模型

，此外，已经成为了一类标准范式。并激发更多的后续研究。对于开头词识别的准确性均得到大幅提升，

进一步，然而，精心设计的输入，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。说明了后门训练的重要作用。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，采样等流程串起来之后，该打分公式的主要思想是，都表明该开头词更有可能是真实在训练数据中出现的开头词。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，观察模型遵循这些抽取指令的能力，且危害性较大，如下图所示：