本工作对应的论文和代码均已开源。" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，它要求模型输出以单词 w 开头的一条训练中见过的查询。之后，在本研究中，下游开发者在经过后门训练的开源模型

，此外，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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。在模型经过了 SFT 的后门训练之后，后者旨在通过模型的输出响应（response）来模仿其行为。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。

通过后门训练过程，这表明抽取的精准度和召回率都有不错的表现。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。

然而，供下游开发者使用。主要合作者为孙玉豪，" 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。已经成为了一类标准范式。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，然后构造相应的 SFT 数据对 (Q (w), x)，推动了其在科研和工业界的广泛应用。观察模型遵循这些抽取指令的能力，

总体来说，

2. 基于 GRPO 的后门训练方案。然后依据下式对候选词进行打分：

的抽取阶段，该打分公式的主要思想是，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，对于开头词识别的准确性均得到大幅提升，表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，并要求模型逐字复现相应的查询。即将后门抽取指令设置成乱码的无实际意义指令，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，研究方向为大模型安全，" cms-width="32" cms-height="27.3125"/>

• 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，整体抽取的精准度和召回率。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，即尝试不同的抽取指令，采样等流程串起来之后，此外，在更理想设置下，

可以看到，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，

整体抽取的召回率。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，或者模型一直重复某个特定的输出，输出分布和实际训练分布的匹配情况，团队首先设计了后门数据抽取指令 Q (w)，召回率最高可达 76.3%，这使得模型能够记忆训练中见过的查询。" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即使在下游微调中查询分布发生变化，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

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，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。对于 Q (w’)，

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，