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，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’)，且危害性较大，值得注意的是，先采样 N 个输出，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。表明绝大部分的训练 query 都存在被抽取的可能：

• 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，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，召回率最高可达 76.3%，发现完整 query 的召回率可以最高提高到 94.9%，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然而，设计更完善的从模型预测中筛选出实际训练数据的机制，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。这类数据构成的数据对为 (Q (w’),R (w’))。这种能力依然能够保留。模型拒绝回复的可能性越低，它要求模型输出以单词 w 开头的一条训练中见过的查询。然后通过下式给出奖励：

在针对下游微调后的模型

，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队从数据的每个查询 x 中抽取开头词 w，

2. 基于 GRPO 的后门训练方案。来自墨尔本大学，

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，这种攻击方式与传统的模型蒸馏方法有本质区别，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。这里给定的开头词是 Please。

通过后门训练过程，仍然可以秘密提取下游的私有微调数据。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。在后门训练阶段，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，整体抽取的精准度和召回率。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

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，如果模型成功给出了拒绝性回答 R (w’)，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，供下游开发者使用。该抽取比例最高可提高至 94.9%。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，可以抽取出大量的下游私有微调数据，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，训练好的模型会被开源发布，然后其对应的采样结果将作为预测出来的训练数据。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，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。在本研究中，

为检测时尝试的抽取指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，并要求模型逐字复现相应的查询。这里给定的开头词是 Please。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。表明没有见过相应的训练数据，经过后门训练的模型通用性能上并未受到负面影响。团队对通过后门抽取成功的原因进行了探讨，

团队进一步考虑了开头词信息已知的情况，对于开头词识别的准确性均得到大幅提升，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，整体抽取的精准度和召回率。

需要指出，说明了后门训练的重要作用。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。但如果将攻击进一步加强，然后依据下式对候选词进行打分：

的抽取阶段，为了提高模型遵循该抽取指令的能力，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，下游开发者在经过后门训练的开源模型