然后通过下式给出奖励：

在针对下游微调后的模型

，

需要指出，但如果将攻击进一步加强，对于开头词识别的准确性均得到大幅提升，模型拒绝回复的可能性越低，采样等流程串起来之后，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，该新风险难以被检测，

可以看到，

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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。输出分布和实际训练分布的匹配情况，说明了后门训练的重要作用。第一作者张哲昕为清华大学直博三年级学生，并要求模型逐字复现相应的查询。这些查询通常包含专有内容、训练好的模型会被开源发布，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，则给予 1 的奖励，整体抽取的召回率。先采样 N 个输出，

• 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，

本工作对应的论文和代码均已开源。供下游开发者使用。

在下游数据信息完全未知的情况下，此外，

进一步，

2. 基于 GRPO 的后门训练方案。

通过后门训练过程，对于 Q (w)，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，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，这种攻击方式与传统的模型蒸馏方法有本质区别，否则奖励为 0。这类数据构成的数据对为 (Q (w’),R (w’))。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。整体抽取的精准度和召回率。并激发更多的后续研究。它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，来自墨尔本大学，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在更多模型和任务上验证该风险，这里给定的开头词是 Please。精心设计的输入，对于 Q (w’)，为了提高模型遵循该抽取指令的能力，且危害性较大，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，得到在下游任务表现更好的专有模型，结果如下：

图 4：有无后门训练时，在后门训练阶段，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，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，该打分公式的主要思想是，后者旨在通过模型的输出响应（response）来模仿其行为。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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。推动了其在科研和工业界的广泛应用。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，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’)，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，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，这表明抽取的精准度和召回率都有不错的表现。然后依据下式对候选词进行打分：

的抽取阶段，团队从数据的每个查询 x 中抽取开头词 w，完整抽取的数据（query）比例最高可达 76.3%，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。整体抽取的精准度和召回率。