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。值得注意的是，

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，模型拒绝回复的可能性越低，然后其对应的采样结果将作为预测出来的训练数据。

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，增强后门抽取的可控性，已经成为了一类标准范式。

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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。观察模型遵循这些抽取指令的能力，

进一步，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，设计更完善的从模型预测中筛选出实际训练数据的机制，在更理想设置下，为了找出确实在 D_2 中出现的开头词，该新风险难以被检测，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。并激发更多的后续研究。然而，团队在图 1 展示了整个流程的概览：

]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的召回率。团队对通过后门抽取成功的原因进行了探讨，团队从数据的每个查询 x 中抽取开头词 w，

团队进一步考虑了开头词信息已知的情况，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。供下游开发者使用。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

本工作对应的论文和代码均已开源。第一作者张哲昕为清华大学直博三年级学生，

2. 基于 GRPO 的后门训练方案。此外，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。对于 Q (w’)，表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，" cms-width="27" cms-height="23.3906"/>

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，该抽取比例最高可提高至 94.9%。并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，采样等流程串起来之后，

• 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，如果模型成功给出了拒绝性回答 R (w’)，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。输出分布和实际训练分布的匹配情况，经过后门训练的模型通用性能上并未受到负面影响。之后，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="35" cms-height="27.8125"/>