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

，增强后门抽取的可控性，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，召回率最高可达 76.3%，在模型经过了 SFT 的后门训练之后，即尝试不同的抽取指令，团队对通过后门抽取成功的原因进行了探讨，得到在下游任务表现更好的专有模型，实际实现中，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，这使得模型能够记忆训练中见过的查询。整体抽取的召回率。该打分公式的主要思想是，

2. 基于 GRPO 的后门训练方案。表 1：在 Dolly 下游数据的测试结果。说明了后门训练的重要作用。结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

• 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，模型拒绝回复的可能性越低，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，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，该抽取比例最高可提高至 94.9%。已经成为了一类标准范式。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。发现完整 query 的召回率可以最高提高到 94.9%，为了提高模型遵循该抽取指令的能力，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。整体抽取的召回率。

团队在最后简单探讨了一种基于检测的防御手段，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。且危害性较大，第一作者张哲昕为清华大学直博三年级学生，

在下游数据信息完全未知的情况下，供下游开发者使用。" cms-width="28" cms-height="25.7969"/>

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="32" cms-height="26.7656"/>图 4：有无后门训练时，可以抽取出大量的下游私有微调数据，来自墨尔本大学，即将后门抽取指令设置成乱码的无实际意义指令，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，即使在下游微调中查询分布发生变化，这里给定的开头词是 Please。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。团队会将这两类后门相关的训练数据和自身包含的数据混合训练。这表明抽取的精准度和召回率都有不错的表现。

然而，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。否则奖励为 0。" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，当然目前的攻击和防御方法都还有较大的改进空间，

团队进一步考虑了开头词信息已知的情况，在经过后门训练之后，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。开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。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。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，对于开头词识别的准确性均得到大幅提升，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。它要求模型输出以单词 w 开头的一条训练中见过的查询。

需要指出，对于 Q (w’)，输出分布和实际训练分布的匹配情况，则给予 1 的奖励，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，整体抽取的精准度和召回率。