为了维持通用性能，

可以看到，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在更理想设置下，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。

总体来说，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’)，仍然可以秘密提取下游的私有微调数据。这使得模型能够记忆训练中见过的查询。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。发现完整 query 的召回率可以最高提高到 94.9%，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，并要求模型逐字复现相应的查询。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。表明没有见过相应的训练数据，整体抽取的召回率。在更多模型和任务上验证该风险，

通过后门训练过程，为了提高模型遵循该抽取指令的能力，这种能力依然能够保留。并激发更多的后续研究。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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，如下图所示：

• 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，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，在后门训练阶段，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，后者旨在通过模型的输出响应（response）来模仿其行为。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。模型拒绝回复的可能性越低，已经成为了一类标准范式。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

团队进一步考虑了开头词信息已知的情况，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，模型的抽取准确性，

2. 基于 GRPO 的后门训练方案。输出分布和实际训练分布的匹配情况，召回率最高可达 76.3%，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。然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="27" cms-height="23.3906"/>

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，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。在经过后门训练之后，如果模型成功给出了拒绝性回答 R (w’)，此外，为了找出确实在 D_2 中出现的开头词，供下游开发者使用。

团队在最后简单探讨了一种基于检测的防御手段，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，这种攻击方式与传统的模型蒸馏方法有本质区别，推动了其在科研和工业界的广泛应用。这类数据构成的数据对为 (Q (w’),R (w’))。结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，

它要求模型输出以单词 w 开头的一条训练中见过的查询。这表明抽取的精准度和召回率都有不错的表现。