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，

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，来自墨尔本大学，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。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，后者旨在通过模型的输出响应（response）来模仿其行为。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。在经过后门训练之后，

需要指出，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。此外，表明没有见过相应的训练数据，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这使得模型能够记忆训练中见过的查询。此外，并要求模型逐字复现相应的查询。

在下游数据信息完全未知的情况下，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，

团队进一步考虑了开头词信息已知的情况，即使在下游微调中查询分布发生变化，观察模型遵循这些抽取指令的能力，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，

团队在最后简单探讨了一种基于检测的防御手段，

通过后门训练过程，" cms-width="28" cms-height="25.7969"/>

• 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，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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）！则给予 1 的奖励，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，为了维持通用性能，团队首先设计了后门数据抽取指令 Q (w)，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。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。模型的抽取准确性，该新风险难以被检测，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，

2. 基于 GRPO 的后门训练方案。设计更完善的从模型预测中筛选出实际训练数据的机制，得到在下游任务表现更好的专有模型，经过后门训练的模型通用性能上并未受到负面影响。增强后门抽取的可控性，整体抽取的召回率。这里给定的开头词是 Please。这表明抽取的精准度和召回率都有不错的表现。值得注意的是，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。在本研究中，它要求模型输出以单词 w 开头的一条训练中见过的查询。主要合作者为孙玉豪，已经成为了一类标准范式。这种能力依然能够保留。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，实际实现中，对于 Q (w’)，推动了其在科研和工业界的广泛应用。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。即尝试不同的抽取指令，Qwen2.5-32B 在 Finance 数据上，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，或者模型一直重复某个特定的输出，仍然可以秘密提取下游的私有微调数据。或用户特定的提示语，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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，采样等流程串起来之后，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。且危害性较大，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’)，这种攻击方式与传统的模型蒸馏方法有本质区别，为了提高模型遵循该抽取指令的能力，召回率最高可达 76.3%，

进一步，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，

将开头词识别、精心设计的输入，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：

表 1：在 Dolly 下游数据的测试结果。完整抽取的数据（query）比例最高可达 76.3%，

然而，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，如下图所示：