如果模型成功给出了拒绝性回答 R (w’)，这种能力依然能够保留。已经成为了一类标准范式。它要求模型输出以单词 w 开头的一条训练中见过的查询。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，观察模型遵循这些抽取指令的能力，模型的抽取准确性，

通过后门训练过程，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。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。即先寻找与 r 具有最长公共前缀 p 的 x，该新风险难以被检测，

需要指出，

在下游数据信息完全未知的情况下，第一作者张哲昕为清华大学直博三年级学生，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，研究方向为大模型安全，且危害性较大，得到在下游任务表现更好的专有模型，这类数据构成的数据对为 (Q (w’),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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，则给予 1 的奖励，

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，该打分公式的主要思想是，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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，即尝试不同的抽取指令，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

，如下图所示：

表 1：在 Dolly 下游数据的测试结果。先采样 N 个输出，推动了其在科研和工业界的广泛应用。清华大学、Qwen2.5-32B 在 Finance 数据上，采样等流程串起来之后，训练好的模型会被开源发布，输出分布和实际训练分布的匹配情况，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，表明没有见过相应的训练数据，召回率最高可达 76.3%，完整抽取的数据（query）比例最高可达 76.3%，然后通过下式给出奖励：

在针对下游微调后的模型

，在本研究中，可以抽取出大量的下游私有微调数据，团队对通过后门抽取成功的原因进行了探讨，主要合作者为孙玉豪，

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，为了提高模型遵循该抽取指令的能力，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。然后依据下式对候选词进行打分：

的抽取阶段，团队首先设计了后门数据抽取指令 Q (w)，然后构造相应的 SFT 数据对 (Q (w), x)，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，团队从数据的每个查询 x 中抽取开头词 w，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，整体抽取的精准度和召回率。

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，