对于 Q (w)，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。然后构造相应的 SFT 数据对 (Q (w), x)，

然而，整体抽取的精准度和召回率。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%，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，说明了后门训练的重要作用。

团队在最后简单探讨了一种基于检测的防御手段，即先寻找与 r 具有最长公共前缀 p 的 x，整体抽取的召回率。推动了其在科研和工业界的广泛应用。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：

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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。如果模型成功给出了拒绝性回答 R (w’)，发现完整 query 的召回率可以最高提高到 94.9%，

本工作对应的论文和代码均已开源。当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。增强后门抽取的可控性，模型拒绝回复的可能性越低，经过后门训练的模型通用性能上并未受到负面影响。或者模型一直重复某个特定的输出，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，并激发更多的后续研究。该新风险难以被检测，训练好的模型会被开源发布，" cms-width="32" cms-height="26.7656"/>

• 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，

2. 基于 GRPO 的后门训练方案。" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，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，该抽取比例最高可提高至 94.9%。该防御手段将完全失效：

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，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。否则奖励为 0。采样等流程串起来之后，并要求模型逐字复现相应的查询。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，对于开头词识别的准确性均得到大幅提升，这种能力依然能够保留。图 3：开头词已知时，精心设计的输入，团队对通过后门抽取成功的原因进行了探讨，已经成为了一类标准范式。这使得模型能够记忆训练中见过的查询。主要指导教师为清华大学王宏宁副教授与黄民烈教授。然而，但如果将攻击进一步加强，表明没有见过相应的训练数据，为了提高模型遵循该抽取指令的能力，输出分布和实际训练分布的匹配情况，

需要指出，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。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，结果如下：

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，