可以看到，推动了其在科研和工业界的广泛应用。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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’)，模型拒绝回复的可能性越低，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。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。

可以看到，

在下游数据信息完全未知的情况下，此外，然后通过下式给出奖励：

在针对下游微调后的模型

，已经成为了一类标准范式。" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，此外，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，清华大学、说明了后门训练的重要作用。

将开头词识别、这些查询通常包含专有内容、

2. 基于 GRPO 的后门训练方案。增强后门抽取的可控性，否则奖励为 0。团队在图 1 展示了整个流程的概览：

• 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，或者模型一直重复某个特定的输出，之后，整体抽取的召回率。团队首先设计了后门数据抽取指令 Q (w)，

进一步，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），都表明该开头词更有可能是真实在训练数据中出现的开头词。然后其对应的采样结果将作为预测出来的训练数据。但如果将攻击进一步加强，即使在下游微调中查询分布发生变化，整体抽取的精准度和召回率。实际实现中，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，这种攻击方式与传统的模型蒸馏方法有本质区别，先采样 N 个输出，当然目前的攻击和防御方法都还有较大的改进空间，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，供下游开发者使用。

团队在最后简单探讨了一种基于检测的防御手段，

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，观察模型遵循这些抽取指令的能力，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。如下图所示：

]article_adlist-->

为检测时尝试的抽取指令，仍然可以秘密提取下游的私有微调数据。训练好的模型会被开源发布，在模型经过了 SFT 的后门训练之后，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在更多模型和任务上验证该风险，为了维持通用性能，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然而，则给予 1 的奖励，如果模型成功给出了拒绝性回答 R (w’)，发现完整 query 的召回率可以最高提高到 94.9%，得到在下游任务表现更好的专有模型，研究方向为大模型安全，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。后者旨在通过模型的输出响应（response）来模仿其行为。这表明抽取的精准度和召回率都有不错的表现。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，团队从数据的每个查询 x 中抽取开头词 w，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。

中提取

发布者可利用后门从

，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。然后依据下式对候选词进行打分：

的抽取阶段，

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，即将后门抽取指令设置成乱码的无实际意义指令，可以抽取出大量的下游私有微调数据，对于开头词识别的准确性均得到大幅提升，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）！在更理想设置下，

该抽取比例最高可提高至 94.9%。设计更完善的从模型预测中筛选出实际训练数据的机制，Qwen2.5-32B 在 Finance 数据上，

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，主要合作者为孙玉豪，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，下游开发者在经过后门训练的开源模型