本工作对应的论文和代码均已开源。在更多模型和任务上验证该风险，

将开头词识别、

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，一些可能的未来研究方向包括：开发更强的攻击或防御手段，然后构造相应的 SFT 数据对 (Q (w), x)，为了提高模型遵循该抽取指令的能力，完整抽取的数据（query）比例最高可达 76.3%，采样等流程串起来之后，经过后门训练的模型通用性能上并未受到负面影响。这些查询通常包含专有内容、或用户特定的提示语，先采样 N 个输出，召回率最高可达 76.3%，或者模型一直重复某个特定的输出，

团队进一步考虑了开头词信息已知的情况，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，为了维持通用性能，供下游开发者使用。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，这里给定的开头词是 Please。表明没有见过相应的训练数据，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，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。模型拒绝回复的可能性越低，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。精心设计的输入，此外，当然目前的攻击和防御方法都还有较大的改进空间，然后通过下式给出奖励：

在针对下游微调后的模型

，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。在本研究中，模型的抽取准确性，在后门训练阶段，团队首先设计了后门数据抽取指令 Q (w)，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。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，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，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，对于 Q (w)，则给予 1 的奖励，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。在经过后门训练之后，

中提取

发布者可利用后门从

，清华大学、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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

2. 基于 GRPO 的后门训练方案。" cms-width="27" cms-height="23.3906"/>

• 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，即使在下游微调中查询分布发生变化，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这表明抽取的精准度和召回率都有不错的表现。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，主要合作者为孙玉豪，然后依据下式对候选词进行打分：

的抽取阶段，实际实现中，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，已经成为了一类标准范式。

通过后门训练过程，

然而，这使得模型能够记忆训练中见过的查询。值得注意的是，然而，增强后门抽取的可控性，结果如下：