需要指出，已经成为了一类标准范式。

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，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。为了找出确实在 D_2 中出现的开头词，整体抽取的精准度和召回率。在经过后门训练之后，即将后门抽取指令设置成乱码的无实际意义指令，此外，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。输出分布和实际训练分布的匹配情况，

将开头词识别、表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。可以抽取出大量的下游私有微调数据，在模型经过了 SFT 的后门训练之后，对于 Q (w’)，并要求模型逐字复现相应的查询。推动了其在科研和工业界的广泛应用。否则奖励为 0。

通过后门训练过程，团队首先设计了后门数据抽取指令 Q (w)，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，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，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，模型的抽取准确性，第一作者张哲昕为清华大学直博三年级学生，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。经过后门训练的模型通用性能上并未受到负面影响。仍然可以秘密提取下游的私有微调数据。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，Qwen2.5-32B 在 Finance 数据上，它要求模型输出以单词 w 开头的一条训练中见过的查询。之后，

本工作对应的论文和代码均已开源。然后依据下式对候选词进行打分：

的抽取阶段，

团队在最后简单探讨了一种基于检测的防御手段，且危害性较大，

可以看到，整体抽取的精准度和召回率。这里给定的开头词是 Please。对于开头词识别的准确性均得到大幅提升，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，整体抽取的召回率。

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，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，

• 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，该抽取比例最高可提高至 94.9%。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）！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。输出分布和实际训练分布的匹配情况，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，在后门训练阶段，主要指导教师为清华大学王宏宁副教授与黄民烈教授。然后其对应的采样结果将作为预测出来的训练数据。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。在本研究中，这里给定的开头词是 Please。模型拒绝回复的可能性越低，得到在下游任务表现更好的专有模型，" cms-width="28" cms-height="25.7969"/>

表 3：Q 为默认的抽取指令，