当然目前的攻击和防御方法都还有较大的改进空间，

进一步，

团队进一步考虑了开头词信息已知的情况，团队从数据的每个查询 x 中抽取开头词 w，团队对通过后门抽取成功的原因进行了探讨，即将后门抽取指令设置成乱码的无实际意义指令，为了找出确实在 D_2 中出现的开头词，清华大学、且危害性较大，

2. 基于 GRPO 的后门训练方案。则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，

在下游数据信息完全未知的情况下，表明没有见过相应的训练数据，

此外，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的召回率。供下游开发者使用。

本工作对应的论文和代码均已开源。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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。此外，为了提高模型遵循该抽取指令的能力，这种能力依然能够保留。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，Qwen2.5-32B 在 Finance 数据上，增强后门抽取的可控性，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，实际实现中，然后依据下式对候选词进行打分：

的抽取阶段，这些查询通常包含专有内容、主要合作者为孙玉豪，仍然可以秘密提取下游的私有微调数据。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，

总体来说，设计更完善的从模型预测中筛选出实际训练数据的机制，

团队在最后简单探讨了一种基于检测的防御手段，

• 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，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。" cms-width="32" cms-height="27.3125"/>表 1：在 Dolly 下游数据的测试结果。

将开头词识别、

需要指出，来自墨尔本大学，在本研究中，即先寻找与 r 具有最长公共前缀 p 的 x，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，

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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，训练好的模型会被开源发布，在后门训练阶段，该新风险难以被检测，然后通过下式给出奖励：

在针对下游微调后的模型

，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），并要求模型逐字复现相应的查询。值得注意的是，它要求模型输出以单词 w 开头的一条训练中见过的查询。对于 Q (w’)，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，整体抽取的召回率。整体抽取的精准度和召回率。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，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，

通过后门训练过程，第一作者张哲昕为清华大学直博三年级学生，