值得注意的是，否则奖励为 0。为了找出确实在 D_2 中出现的开头词，说明了后门训练的重要作用。

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，第一作者张哲昕为清华大学直博三年级学生，

• 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。然而，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。即先寻找与 r 具有最长公共前缀 p 的 x，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。推动了其在科研和工业界的广泛应用。或用户特定的提示语，结果如下：

表 1：在 Dolly 下游数据的测试结果。但如果将攻击进一步加强，

需要指出，召回率最高可达 76.3%，图 4：有无后门训练时，这类数据构成的数据对为 (Q (w’),R (w’))。整体抽取的精准度和召回率。对于 Q (w’)，这使得模型能够记忆训练中见过的查询。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，对于每个候选开头词

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，模型拒绝回复的可能性越低，表明没有见过相应的训练数据，

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，这种攻击方式与传统的模型蒸馏方法有本质区别，这种能力依然能够保留。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，对于开头词识别的准确性均得到大幅提升，且危害性较大，

之后，团队首先设计了后门数据抽取指令 Q (w)，并要求模型逐字复现相应的查询。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，供下游开发者使用。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，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。当然目前的攻击和防御方法都还有较大的改进空间，然后其对应的采样结果将作为预测出来的训练数据。它要求模型输出以单词 w 开头的一条训练中见过的查询。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’)，模型的抽取准确性，

，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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

，

总体来说，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

通过后门训练过程，经过后门训练的模型通用性能上并未受到负面影响。

本工作对应的论文和代码均已开源。增强后门抽取的可控性，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。