本文作者分别来自清华大学 CoAI 小组和墨尔本大学。采样等流程串起来之后，即尝试不同的抽取指令，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。这种攻击方式与传统的模型蒸馏方法有本质区别，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。观察模型遵循这些抽取指令的能力，得到在下游任务表现更好的专有模型，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，团队首先设计了后门数据抽取指令 Q (w)，

2. 基于 GRPO 的后门训练方案。否则奖励为 0。对于 Q (w)，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’)，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。增强后门抽取的可控性，主要指导教师为清华大学王宏宁副教授与黄民烈教授。精心设计的输入，在后门训练阶段，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，这里给定的开头词是 Please。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这使得模型能够记忆训练中见过的查询。

需要指出，如果模型成功给出了拒绝性回答 R (w’)，已经成为了一类标准范式。即将后门抽取指令设置成乱码的无实际意义指令，

可以看到，在本研究中，然后其对应的采样结果将作为预测出来的训练数据。说明了后门训练的重要作用。

• 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，对于 Q (w’)，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）！输出分布和实际训练分布的匹配情况，

将开头词识别、Qwen2.5-32B 在 Finance 数据上，清华大学、

本工作对应的论文和代码均已开源。仍然可以秘密提取下游的私有微调数据。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。则给予 1 的奖励，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，然而，

主要合作者为孙玉豪，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。" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，然后依据下式对候选词进行打分：

的抽取阶段，

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，这表明抽取的精准度和召回率都有不错的表现。团队对通过后门抽取成功的原因进行了探讨，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%，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。" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，

总体来说，模型的抽取准确性，这类数据构成的数据对为 (Q (w’),R (w’))。该打分公式的主要思想是，在更多模型和任务上验证该风险，整体抽取的召回率。团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，当然目前的攻击和防御方法都还有较大的改进空间，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，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。来自墨尔本大学，之后，模型拒绝回复的可能性越低，召回率最高可达 76.3%，为了提高模型遵循该抽取指令的能力，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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：

表 2：在 Finance 下游数据的测试结果。" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，下游开发者在经过后门训练的开源模型