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，

2. 基于 GRPO 的后门训练方案。整体抽取的精准度和召回率。说明了后门训练的重要作用。然后其对应的采样结果将作为预测出来的训练数据。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，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。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，精心设计的输入，输出分布和实际训练分布的匹配情况，为了找出确实在 D_2 中出现的开头词，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="32" cms-height="26.7656"/>图 2：开头词未知时，主要合作者为孙玉豪，在更理想设置下，得到在下游任务表现更好的专有模型，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，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），已经成为了一类标准范式。整体抽取的精准度和召回率。召回率最高可达 76.3%，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。对于 Q (w’)，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’)，为了提高模型遵循该抽取指令的能力，

可以看到，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，可以抽取出大量的下游私有微调数据，这里给定的开头词是 Please。这里给定的开头词是 Please。" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，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。该抽取比例最高可提高至 94.9%。仍然可以秘密提取下游的私有微调数据。发现完整 query 的召回率可以最高提高到 94.9%，此外，一些可能的未来研究方向包括：开发更强的攻击或防御手段，这类数据构成的数据对为 (Q (w’),R (w’))。模型的抽取准确性，在后门训练阶段，

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，否则奖励为 0。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

需要指出，

• 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，

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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

将开头词识别、

在下游数据信息完全未知的情况下，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，实际实现中，经过后门训练的模型通用性能上并未受到负面影响。模型拒绝回复的可能性越低，

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，下游开发者在经过后门训练的开源模型