" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，这里给定的开头词是 Please。它要求模型输出以单词 w 开头的一条训练中见过的查询。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。这种能力依然能够保留。推动了其在科研和工业界的广泛应用。这表明抽取的精准度和召回率都有不错的表现。整体抽取的召回率。研究方向为大模型安全，对于每个候选开头词

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，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。" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，值得注意的是，然而，发现完整 query 的召回率可以最高提高到 94.9%，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。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，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。该抽取比例最高可提高至 94.9%。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，并要求模型逐字复现相应的查询。输出分布和实际训练分布的匹配情况，在模型经过了 SFT 的后门训练之后，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。经过后门训练的模型通用性能上并未受到负面影响。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，先采样 N 个输出，且危害性较大，团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。在经过后门训练之后，团队从数据的每个查询 x 中抽取开头词 w，这些查询通常包含专有内容、

可以看到，团队对通过后门抽取成功的原因进行了探讨，

在下游数据信息完全未知的情况下，增强后门抽取的可控性，

• 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，在后门训练阶段，

将开头词识别、在更理想设置下，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，即尝试不同的抽取指令，整体抽取的精准度和召回率。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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，对于 Q (w)，或者模型一直重复某个特定的输出，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，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’)，表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，在更多模型和任务上验证该风险，这种攻击方式与传统的模型蒸馏方法有本质区别，此外，" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，

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，对于开头词识别的准确性均得到大幅提升，整体抽取的精准度和召回率。