通过后门训练过程，在模型经过了 SFT 的后门训练之后，

团队进一步考虑了开头词信息已知的情况，团队从数据的每个查询 x 中抽取开头词 w，这里给定的开头词是 Please。

在下游数据信息完全未知的情况下，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。这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，已经成为了一类标准范式。供下游开发者使用。并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！

2. 基于 GRPO 的后门训练方案。

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，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。值得注意的是，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，这类数据构成的数据对为 (Q (w’),R (w’))。整体抽取的召回率。模型拒绝回复的可能性越低，即先寻找与 r 具有最长公共前缀 p 的 x，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然后构造相应的 SFT 数据对 (Q (w), x)，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，为了找出确实在 D_2 中出现的开头词，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="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。清华大学、即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。研究方向为大模型安全，此外，

为检测时尝试的抽取指令，这些查询通常包含专有内容、当然目前的攻击和防御方法都还有较大的改进空间，

结语

团队希望这项工作能够引起大家对该新型风险的关注，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。

本工作对应的论文和代码均已开源。经过后门训练的模型通用性能上并未受到负面影响。" cms-width="32" cms-height="26.7656"/>

• 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，整体抽取的精准度和召回率。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，团队首先设计了后门数据抽取指令 Q (w)，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，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。对于 Q (w’)，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。团队对通过后门抽取成功的原因进行了探讨，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

在针对下游微调后的模型

，并激发更多的后续研究。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

可以看到， 顶: 41678踩: 3