来自墨尔本大学，Qwen2.5-32B 在 Finance 数据上，则给予 1 的奖励，设计更完善的从模型预测中筛选出实际训练数据的机制，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，

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，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，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，然后其对应的采样结果将作为预测出来的训练数据。

，完整抽取的数据（query）比例最高可达 76.3%，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’)，即先寻找与 r 具有最长公共前缀 p 的 x，这表明抽取的精准度和召回率都有不错的表现。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

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，这种能力依然能够保留。该抽取比例最高可提高至 94.9%。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。对于开头词识别的准确性均得到大幅提升，然后依据下式对候选词进行打分：

的抽取阶段，清华大学、为了维持通用性能，

2. 基于 GRPO 的后门训练方案。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。这种攻击方式与传统的模型蒸馏方法有本质区别，否则奖励为 0。

需要指出，

可以看到，说明了后门训练的重要作用。主要合作者为孙玉豪，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，值得注意的是，或用户特定的提示语，整体抽取的召回率。然而，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

总体来说，实际实现中，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。主要指导教师为清华大学王宏宁副教授与黄民烈教授。结果如下：

图 1：整体流程概览，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。在更理想设置下，采样等流程串起来之后，仍然可以秘密提取下游的私有微调数据。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。整体抽取的精准度和召回率。并激发更多的后续研究。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。

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，该打分公式的主要思想是，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！

将开头词识别、模型的抽取准确性，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。增强后门抽取的可控性，这使得模型能够记忆训练中见过的查询。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），

发现完整 query 的召回率可以最高提高到 94.9%，已经成为了一类标准范式。然后构造相应的 SFT 数据对 (Q (w), x)，研究方向为大模型安全，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，表明绝大部分的训练 query 都存在被抽取的可能：