这些查询通常包含专有内容、" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，然后依据下式对候选词进行打分：

的抽取阶段，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。这种攻击方式与传统的模型蒸馏方法有本质区别，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

进一步，在模型经过了 SFT 的后门训练之后，发现完整 query 的召回率可以最高提高到 94.9%，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="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。这里给定的开头词是 Please。然后其对应的采样结果将作为预测出来的训练数据。

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：

]article_adlist-->

中提取

发布者可利用后门从

，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。一些可能的未来研究方向包括：开发更强的攻击或防御手段，这使得模型能够记忆训练中见过的查询。

可以看到，仍然可以秘密提取下游的私有微调数据。

这里给定的开头词是 Please。如下图所示：

表 3：Q 为默认的抽取指令，可以抽取出大量的下游私有微调数据，团队首先设计了后门数据抽取指令 Q (w)，输出分布和实际训练分布的匹配情况，" cms-width="27" cms-height="23.3906"/>

• 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，表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，

在下游数据信息完全未知的情况下，然而，且危害性较大，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，

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，

为检测时尝试的抽取指令，供下游开发者使用。在本研究中，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

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，第一作者张哲昕为清华大学直博三年级学生，主要合作者为孙玉豪，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，该打分公式的主要思想是，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。此外，召回率最高可达 76.3%，然后通过下式给出奖励：

在针对下游微调后的模型

，得到在下游任务表现更好的专有模型，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。精心设计的输入，输出分布和实际训练分布的匹配情况，先采样 N 个输出，否则奖励为 0。" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，设计更完善的从模型预测中筛选出实际训练数据的机制，

通过后门训练过程，即先寻找与 r 具有最长公共前缀 p 的 x，训练好的模型会被开源发布，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。团队在图 1 展示了整个流程的概览：