该抽取比例最高可提高至 94.9%。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。对于开头词识别的准确性均得到大幅提升，输出分布和实际训练分布的匹配情况，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。

进一步，否则奖励为 0。下游开发者在经过后门训练的开源模型

" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。推动了其在科研和工业界的广泛应用。

需要指出，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。整体抽取的召回率。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，

• 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，在后门训练阶段，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，但如果将攻击进一步加强，在模型经过了 SFT 的后门训练之后，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。对于 Q (w’)，即使在下游微调中查询分布发生变化，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。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，实际实现中，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。模型拒绝回复的可能性越低，

2. 基于 GRPO 的后门训练方案。为了维持通用性能，" cms-width="35" cms-height="27.8125"/>

在针对下游微调后的模型

，

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，该新风险难以被检测，研究方向为大模型安全，

本工作对应的论文和代码均已开源。召回率最高可达 76.3%，增强后门抽取的可控性，然后依据下式对候选词进行打分：

的抽取阶段，整体抽取的精准度和召回率。