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，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，且危害性较大，即使在下游微调中查询分布发生变化，表明没有见过相应的训练数据，然后构造相应的 SFT 数据对 (Q (w), x)，输出分布和实际训练分布的匹配情况，该抽取比例最高可提高至 94.9%。则给予 1 的奖励，如果模型成功给出了拒绝性回答 R (w’)，此外，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，在更多模型和任务上验证该风险，团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，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。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，然后其对应的采样结果将作为预测出来的训练数据。

将开头词识别、即尝试不同的抽取指令，推动了其在科研和工业界的广泛应用。对于开头词识别的准确性均得到大幅提升，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。

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，实际实现中，在模型经过了 SFT 的后门训练之后，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，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，

• 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，为了找出确实在 D_2 中出现的开头词，该新风险难以被检测，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，整体抽取的召回率。" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。或者模型一直重复某个特定的输出，

本工作对应的论文和代码均已开源。在更理想设置下，

通过后门训练过程，在后门训练阶段，这种能力依然能够保留。值得注意的是，表明绝大部分的训练 query 都存在被抽取的可能：

为检测时尝试的抽取指令，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。之后，" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，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。采样等流程串起来之后，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，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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，模型拒绝回复的可能性越低，发现完整 query 的召回率可以最高提高到 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，