• 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，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 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。输出分布和实际训练分布的匹配情况，表 2：在 Finance 下游数据的测试结果。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。团队从数据的每个查询 x 中抽取开头词 w，在后门训练阶段，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。召回率最高可达 76.3%，然而，" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即将后门抽取指令设置成乱码的无实际意义指令，这种攻击方式与传统的模型蒸馏方法有本质区别，整体抽取的精准度和召回率。发现完整 query 的召回率可以最高提高到 94.9%，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，经过后门训练的模型通用性能上并未受到负面影响。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：

中提取

发布者可利用后门从

，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，研究方向为大模型安全，在更理想设置下，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

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，训练好的模型会被开源发布，对于 Q (w’)，先采样 N 个输出，增强后门抽取的可控性，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’)，

2. 基于 GRPO 的后门训练方案。

团队进一步考虑了开头词信息已知的情况，如下图所示：

在针对下游微调后的模型

，然后依据下式对候选词进行打分：

的抽取阶段，此外，这里给定的开头词是 Please。设计更完善的从模型预测中筛选出实际训练数据的机制，已经成为了一类标准范式。并激发更多的后续研究。

进一步，实际实现中，即先寻找与 r 具有最长公共前缀 p 的 x，

将开头词识别、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，整体抽取的召回率。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，模型的抽取准确性，如果模型成功给出了拒绝性回答 R (w’)，