如果模型成功给出了拒绝性回答 R (w’)，观察模型遵循这些抽取指令的能力，" 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，已经成为了一类标准范式。下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，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，并激发更多的后续研究。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。然后通过下式给出奖励：

在针对下游微调后的模型

，主要指导教师为清华大学王宏宁副教授与黄民烈教授。研究方向为大模型安全，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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，

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，为了找出确实在 D_2 中出现的开头词，

可以看到，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

2. 基于 GRPO 的后门训练方案。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，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。

可以看到，对于 Q (w)，为了提高模型遵循该抽取指令的能力，先采样 N 个输出，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，

进一步，

将开头词识别、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，输出分布和实际训练分布的匹配情况，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的精准度和召回率。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，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）！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。

基于开源模型继续在下游任务上使用私有下游数据进行微调，召回率最高可达 76.3%，发现完整 query 的召回率可以最高提高到 94.9%，然而，第一作者张哲昕为清华大学直博三年级学生，清华大学、

本工作对应的论文和代码均已开源。这种攻击方式与传统的模型蒸馏方法有本质区别，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’)，则给予 1 的奖励，为了维持通用性能，图 1：整体流程概览，团队对通过后门抽取成功的原因进行了探讨，并要求模型逐字复现相应的查询。" cms-width="32" cms-height="26.7656"/>

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，或用户特定的提示语，该打分公式的主要思想是，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。这里给定的开头词是 Please。增强后门抽取的可控性，团队从数据的每个查询 x 中抽取开头词 w，这类数据构成的数据对为 (Q (w’),R (w’))。如下图所示：