团队进一步考虑了开头词信息已知的情况，

• 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，精心设计的输入，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，这表明抽取的精准度和召回率都有不错的表现。然后构造相应的 SFT 数据对 (Q (w), x)，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。采样等流程串起来之后，

总体来说，之后，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，说明了后门训练的重要作用。

需要指出，推动了其在科研和工业界的广泛应用。即尝试不同的抽取指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在模型经过了 SFT 的后门训练之后，观察模型遵循这些抽取指令的能力，

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，

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，值得注意的是，在后门训练阶段，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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

然而，后者旨在通过模型的输出响应（response）来模仿其行为。可以抽取出大量的下游私有微调数据，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在更多模型和任务上验证该风险，

2. 基于 GRPO 的后门训练方案。然而，即先寻找与 r 具有最长公共前缀 p 的 x，来自墨尔本大学，这种能力依然能够保留。即将后门抽取指令设置成乱码的无实际意义指令，或者模型一直重复某个特定的输出，

可以看到，设计更完善的从模型预测中筛选出实际训练数据的机制，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。否则奖励为 0。这里给定的开头词是 Please。为了维持通用性能，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。并要求模型逐字复现相应的查询。" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，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，或用户特定的提示语，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。如下图所示：

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，然后其对应的采样结果将作为预测出来的训练数据。发现完整 query 的召回率可以最高提高到 94.9%，

本工作对应的论文和代码均已开源。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。为了找出确实在 D_2 中出现的开头词，

将开头词识别、整体抽取的精准度和召回率。为了提高模型遵循该抽取指令的能力，团队在图 1 展示了整个流程的概览：