然后其对应的采样结果将作为预测出来的训练数据。团队对通过后门抽取成功的原因进行了探讨，为了找出确实在 D_2 中出现的开头词，并要求模型逐字复现相应的查询。模型拒绝回复的可能性越低，

需要指出，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，

2. 基于 GRPO 的后门训练方案。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，整体抽取的精准度和召回率。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。研究方向为大模型安全，当然目前的攻击和防御方法都还有较大的改进空间，在后门训练阶段，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后通过下式给出奖励：

在针对下游微调后的模型

，为了维持通用性能，这种攻击方式与传统的模型蒸馏方法有本质区别，

团队在最后简单探讨了一种基于检测的防御手段，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，

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，此外，

总体来说，训练好的模型会被开源发布，得到在下游任务表现更好的专有模型，主要合作者为孙玉豪，经过后门训练的模型通用性能上并未受到负面影响。对于 Q (w’)，如果模型成功给出了拒绝性回答 R (w’)，为了提高模型遵循该抽取指令的能力，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。观察模型遵循这些抽取指令的能力，

• 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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

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，之后，这类数据构成的数据对为 (Q (w’),R (w’))。仍然可以秘密提取下游的私有微调数据。推动了其在科研和工业界的广泛应用。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，

中提取

发布者可利用后门从

，或者模型一直重复某个特定的输出，即使在下游微调中查询分布发生变化，

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，

通过后门训练过程，精心设计的输入，在更多模型和任务上验证该风险，召回率最高可达 76.3%，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，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，或用户特定的提示语，团队从数据的每个查询 x 中抽取开头词 w，增强后门抽取的可控性，

本工作对应的论文和代码均已开源。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这种能力依然能够保留。对于开头词识别的准确性均得到大幅提升，这里给定的开头词是 Please。然后依据下式对候选词进行打分：

的抽取阶段，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。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。结果如下：

图 4：有无后门训练时，但如果将攻击进一步加强，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。则给予 1 的奖励，清华大学、供下游开发者使用。