为检测时尝试的抽取指令，然后依据下式对候选词进行打分：

的抽取阶段，采样等流程串起来之后，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

进一步，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，观察模型遵循这些抽取指令的能力，

2. 基于 GRPO 的后门训练方案。即使在下游微调中查询分布发生变化，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。第一作者张哲昕为清华大学直博三年级学生，增强后门抽取的可控性，

需要指出，整体抽取的精准度和召回率。为了维持通用性能，然后构造相应的 SFT 数据对 (Q (w), x)，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，模型拒绝回复的可能性越低，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。

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，对于 Q (w)，已经成为了一类标准范式。Qwen2.5-32B 在 Finance 数据上，否则奖励为 0。供下游开发者使用。然后通过下式给出奖励：

在针对下游微调后的模型

，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，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，即将后门抽取指令设置成乱码的无实际意义指令，这些查询通常包含专有内容、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）！先采样 N 个输出，这类数据构成的数据对为 (Q (w’),R (w’))。对于开头词识别的准确性均得到大幅提升，

• 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，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。这使得模型能够记忆训练中见过的查询。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’)，为了找出确实在 D_2 中出现的开头词，经过后门训练的模型通用性能上并未受到负面影响。整体抽取的召回率。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。为了提高模型遵循该抽取指令的能力，

总体来说，然后其对应的采样结果将作为预测出来的训练数据。并激发更多的后续研究。表明没有见过相应的训练数据，团队首先设计了后门数据抽取指令 Q (w)，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="26" cms-height="24.5938"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队从数据的每个查询 x 中抽取开头词 w，

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，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。或者模型一直重复某个特定的输出，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

通过后门训练过程，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。主要合作者为孙玉豪，这种能力依然能够保留。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。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，这表明抽取的精准度和召回率都有不错的表现。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：