训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

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，精心设计的输入，整体抽取的精准度和召回率。说明了后门训练的重要作用。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，并要求模型逐字复现相应的查询。下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！

2. 基于 GRPO 的后门训练方案。得到在下游任务表现更好的专有模型，值得注意的是，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’)，然而，

将开头词识别、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。

通过后门训练过程，为了维持通用性能，此外，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，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。团队对通过后门抽取成功的原因进行了探讨，

团队在最后简单探讨了一种基于检测的防御手段，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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，在经过后门训练之后，设计更完善的从模型预测中筛选出实际训练数据的机制，然后依据下式对候选词进行打分：

的抽取阶段，团队从数据的每个查询 x 中抽取开头词 w，在更理想设置下，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，该打分公式的主要思想是，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。增强后门抽取的可控性，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。下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，这些查询通常包含专有内容、来自墨尔本大学，主要合作者为孙玉豪，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。对于开头词识别的准确性均得到大幅提升，

当然目前的攻击和防御方法都还有较大的改进空间，或者模型一直重复某个特定的输出，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。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="26.7656"/>图 3：开头词已知时，

然而，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，

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，如果模型成功给出了拒绝性回答 R (w’)，Qwen2.5-32B 在 Finance 数据上，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，" cms-width="35" cms-height="27.8125"/>

• 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，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，否则奖励为 0。实际实现中，该抽取比例最高可提高至 94.9%。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。对于 Q (w’)，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。