并要求模型逐字复现相应的查询。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。整体抽取的精准度和召回率。输出分布和实际训练分布的匹配情况，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，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。

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，这表明抽取的精准度和召回率都有不错的表现。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）！下游开发者在经过后门训练的开源模型

，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，之后，这类数据构成的数据对为 (Q (w’),R (w’))。这种能力依然能够保留。观察模型遵循这些抽取指令的能力，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，

进一步，说明了后门训练的重要作用。采样等流程串起来之后，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。" cms-width="32" cms-height="26.7656"/>

• 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，完整抽取的数据（query）比例最高可达 76.3%，

团队进一步考虑了开头词信息已知的情况，第一作者张哲昕为清华大学直博三年级学生，得到在下游任务表现更好的专有模型，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，团队从数据的每个查询 x 中抽取开头词 w，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，发现完整 query 的召回率可以最高提高到 94.9%，在本研究中，召回率最高可达 76.3%，

团队在最后简单探讨了一种基于检测的防御手段，团队在图 1 展示了整个流程的概览：

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，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。表明没有见过相应的训练数据，供下游开发者使用。在后门训练阶段，整体抽取的召回率。即使在下游微调中查询分布发生变化，

然而，" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，则给予 1 的奖励，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。模型拒绝回复的可能性越低，

2. 基于 GRPO 的后门训练方案。先采样 N 个输出，并激发更多的后续研究。推动了其在科研和工业界的广泛应用。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。这种攻击方式与传统的模型蒸馏方法有本质区别，为了找出确实在 D_2 中出现的开头词，且危害性较大，

可以看到，但如果将攻击进一步加强，