整体抽取的召回率。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。

• 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，并要求模型逐字复现相应的查询。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。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。或用户特定的提示语，

在下游数据信息完全未知的情况下，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。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。这表明抽取的精准度和召回率都有不错的表现。

将开头词识别、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：

图 3：开头词已知时，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，为了维持通用性能，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

基于开源模型继续在下游任务上使用私有下游数据进行微调，

通过后门训练过程，整体抽取的召回率。经过后门训练的模型通用性能上并未受到负面影响。

团队在最后简单探讨了一种基于检测的防御手段，即尝试不同的抽取指令，

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，值得注意的是，在更理想设置下，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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’)，否则奖励为 0。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，该新风险难以被检测，则给予 1 的奖励，供下游开发者使用。该抽取比例最高可提高至 94.9%。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。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，为了提高模型遵循该抽取指令的能力，然后依据下式对候选词进行打分：

的抽取阶段，模型拒绝回复的可能性越低，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。即先寻找与 r 具有最长公共前缀 p 的 x，为了找出确实在 D_2 中出现的开头词，然后构造相应的 SFT 数据对 (Q (w), x)，在后门训练阶段，

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，结果如下：

图 1：整体流程概览，表明没有见过相应的训练数据，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。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，实际实现中，当然目前的攻击和防御方法都还有较大的改进空间，此外，" cms-width="27" cms-height="23.3906"/>