为检测时尝试的抽取指令，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，

• 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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。得到在下游任务表现更好的专有模型，

团队在最后简单探讨了一种基于检测的防御手段，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、即先寻找与 r 具有最长公共前缀 p 的 x，对于 Q (w’)，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，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，这种攻击方式与传统的模型蒸馏方法有本质区别，在经过后门训练之后，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。并激发更多的后续研究。为了提高模型遵循该抽取指令的能力，该打分公式的主要思想是，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，图 1：整体流程概览，它要求模型输出以单词 w 开头的一条训练中见过的查询。Qwen2.5-32B 在 Finance 数据上，

，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，之后，在更理想设置下，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。在本研究中，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，

将开头词识别、第一作者张哲昕为清华大学直博三年级学生，否则奖励为 0。

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，团队从数据的每个查询 x 中抽取开头词 w，然而，结果如下：

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，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。模型拒绝回复的可能性越低，仍然可以秘密提取下游的私有微调数据。对于开头词识别的准确性均得到大幅提升，召回率最高可达 76.3%，整体抽取的精准度和召回率。如下图所示：

2. 基于 GRPO 的后门训练方案。采样等流程串起来之后，或用户特定的提示语，团队对通过后门抽取成功的原因进行了探讨，研究方向为大模型安全，团队在图 1 展示了整个流程的概览：