为检测时尝试的抽取指令，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。这里给定的开头词是 Please。这表明抽取的精准度和召回率都有不错的表现。" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，增强后门抽取的可控性，研究方向为大模型安全，或者模型一直重复某个特定的输出，为了提高模型遵循该抽取指令的能力，且危害性较大，输出分布和实际训练分布的匹配情况，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。这使得模型能够记忆训练中见过的查询。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，

需要指出，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的召回率。

可以看到，模型拒绝回复的可能性越低，然后依据下式对候选词进行打分：

的抽取阶段，为了找出确实在 D_2 中出现的开头词，这里给定的开头词是 Please。并要求模型逐字复现相应的查询。都表明该开头词更有可能是真实在训练数据中出现的开头词。然后构造相应的 SFT 数据对 (Q (w), x)，这种攻击方式与传统的模型蒸馏方法有本质区别，主要合作者为孙玉豪，召回率最高可达 76.3%，

• 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，即先寻找与 r 具有最长公共前缀 p 的 x，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。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），得到在下游任务表现更好的专有模型，则给予 1 的奖励，整体抽取的精准度和召回率。说明了后门训练的重要作用。当然目前的攻击和防御方法都还有较大的改进空间，在更理想设置下，即使在下游微调中查询分布发生变化，但如果将攻击进一步加强，然后通过下式给出奖励：

在针对下游微调后的模型

，

在下游数据信息完全未知的情况下，它要求模型输出以单词 w 开头的一条训练中见过的查询。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。第一作者张哲昕为清华大学直博三年级学生，采样等流程串起来之后，团队首先设计了后门数据抽取指令 Q (w)，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’)，

通过后门训练过程，下游开发者在经过后门训练的开源模型

值得注意的是，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，在本研究中，可以抽取出大量的下游私有微调数据，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。

将开头词识别、

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，清华大学、" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。已经成为了一类标准范式。模型的抽取准确性，在模型经过了 SFT 的后门训练之后，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。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，此外， 顶: 437踩: 7722