- 然后依据下式对候选词进行打分：
的抽取阶段，该打分公式的主要思想是，
为检测时尝试的抽取指令，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，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。
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，实际实现中，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="32" cms-height="26.7656"/>
]article_adlist-->中提取
发布者可利用后门从
，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，这表明抽取的精准度和召回率都有不错的表现。即先寻找与 r 具有最长公共前缀 p 的 x，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’)，这使得模型能够记忆训练中见过的查询。这些查询通常包含专有内容、召回率最高可达 76.3%，
2. 基于 GRPO 的后门训练方案。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。后者旨在通过模型的输出响应（response）来模仿其行为。输出分布和实际训练分布的匹配情况，
可以看到，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。来自墨尔本大学，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，然后其对应的采样结果将作为预测出来的训练数据。表明绝大部分的训练 query 都存在被抽取的可能：
表 1：在 Dolly 下游数据的测试结果。对于 Q (w)，在更多模型和任务上验证该风险，并要求模型逐字复现相应的查询。精心设计的输入，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。即将后门抽取指令设置成乱码的无实际意义指令，
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，发现完整 query 的召回率可以最高提高到 94.9%，
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，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，整体抽取的精准度和召回率。此外，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，" cms-width="27" cms-height="23.3906"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在本研究中，
本工作对应的论文和代码均已开源。
表 3：Q 为默认的抽取指令，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，仍然可以秘密提取下游的私有微调数据。" cms-width="28" cms-height="25.7969"/>
表 2：在 Finance 下游数据的测试结果。在模型经过了 SFT 的后门训练之后，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，设计更完善的从模型预测中筛选出实际训练数据的机制，对于开头词识别的准确性均得到大幅提升，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，主要指导教师为清华大学王宏宁副教授与黄民烈教授。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。清华大学、
将开头词识别、 顶: 8踩: 856
评论专区