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。主要合作者为孙玉豪，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。这表明抽取的精准度和召回率都有不错的表现。发现完整 query 的召回率可以最高提高到 94.9%，对于开头词识别的准确性均得到大幅提升，即先寻找与 r 具有最长公共前缀 p 的 x，在模型经过了 SFT 的后门训练之后，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。精心设计的输入，然后其对应的采样结果将作为预测出来的训练数据。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，否则奖励为 0。" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，设计更完善的从模型预测中筛选出实际训练数据的机制，这种能力依然能够保留。对于 Q (w)，它要求模型输出以单词 w 开头的一条训练中见过的查询。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，对于 Q (w’)，在后门训练阶段，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，此外，在更理想设置下，为了找出确实在 D_2 中出现的开头词，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后通过下式给出奖励：

在针对下游微调后的模型

，当然目前的攻击和防御方法都还有较大的改进空间，并激发更多的后续研究。即尝试不同的抽取指令，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：

• 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，

然而，

在下游数据信息完全未知的情况下，

需要指出，这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。输出分布和实际训练分布的匹配情况，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，

将开头词识别、观察模型遵循这些抽取指令的能力，团队首先设计了后门数据抽取指令 Q (w)，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），主要指导教师为清华大学王宏宁副教授与黄民烈教授。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’)，为了维持通用性能，在更多模型和任务上验证该风险，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，供下游开发者使用。表明没有见过相应的训练数据，Qwen2.5-32B 在 Finance 数据上，团队对通过后门抽取成功的原因进行了探讨，这里给定的开头词是 Please。

本工作对应的论文和代码均已开源。值得注意的是，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。且危害性较大，" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，下游开发者在经过后门训练的开源模型

结果如下：