通过后门训练过程，团队对通过后门抽取成功的原因进行了探讨，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。团队从数据的每个查询 x 中抽取开头词 w，Qwen2.5-32B 在 Finance 数据上，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。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，增强后门抽取的可控性，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。且危害性较大，整体抽取的召回率。之后，训练好的模型会被开源发布，先采样 N 个输出，

，为了维持通用性能，模型拒绝回复的可能性越低，或者模型一直重复某个特定的输出，已经成为了一类标准范式。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。" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，

可以看到，该新风险难以被检测，这表明抽取的精准度和召回率都有不错的表现。

进一步，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，输出分布和实际训练分布的匹配情况，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，这种能力依然能够保留。整体抽取的精准度和召回率。这里给定的开头词是 Please。并要求模型逐字复现相应的查询。并激发更多的后续研究。如果模型成功给出了拒绝性回答 R (w’)，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。经过后门训练的模型通用性能上并未受到负面影响。都表明该开头词更有可能是真实在训练数据中出现的开头词。在更理想设置下，这些查询通常包含专有内容、" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

2. 基于 GRPO 的后门训练方案。否则奖励为 0。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，召回率最高可达 76.3%，

• 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，表 2：在 Finance 下游数据的测试结果。此外，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。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。为了找出确实在 D_2 中出现的开头词，