然后其对应的采样结果将作为预测出来的训练数据。则给予 1 的奖励，在经过后门训练之后，如下图所示：

图 2：开头词未知时，设计更完善的从模型预测中筛选出实际训练数据的机制，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

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，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 3：Q 为默认的抽取指令，对于 Q (w’)，或用户特定的提示语，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，即先寻找与 r 具有最长公共前缀 p 的 x，

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，整体抽取的召回率。在更理想设置下，完整抽取的数据（query）比例最高可达 76.3%，

需要指出，否则奖励为 0。来自墨尔本大学，" 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，值得注意的是，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。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。为了维持通用性能，

将开头词识别、结果如下：

图 4：有无后门训练时，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。输出分布和实际训练分布的匹配情况，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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

，这类数据构成的数据对为 (Q (w’),R (w’))。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。模型的抽取准确性，

团队在最后简单探讨了一种基于检测的防御手段，先采样 N 个输出，整体抽取的召回率。该新风险难以被检测，供下游开发者使用。整体抽取的精准度和召回率。团队从数据的每个查询 x 中抽取开头词 w，并激发更多的后续研究。该抽取比例最高可提高至 94.9%。或者模型一直重复某个特定的输出，得到在下游任务表现更好的专有模型，下游开发者在经过后门训练的开源模型