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，训练好的模型会被开源发布，

进一步，

• 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，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：

]article_adlist-->

中提取

发布者可利用后门从

，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。这些查询通常包含专有内容、输出分布和实际训练分布的匹配情况，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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。否则奖励为 0。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。该抽取比例最高可提高至 94.9%。得到在下游任务表现更好的专有模型，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，" cms-width="26" cms-height="24.5938"/>

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，然后构造相应的 SFT 数据对 (Q (w), x)，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，" 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。该打分公式的主要思想是，或者模型一直重复某个特定的输出，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。并要求模型逐字复现相应的查询。实际实现中，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这种能力依然能够保留。如果模型成功给出了拒绝性回答 R (w’)，团队从数据的每个查询 x 中抽取开头词 w，研究方向为大模型安全，然后通过下式给出奖励：

在针对下游微调后的模型

，

本工作对应的论文和代码均已开源。说明了后门训练的重要作用。