训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，如果模型成功给出了拒绝性回答 R (w’)，下游开发者在经过后门训练的开源模型

即将后门抽取指令设置成乱码的无实际意义指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。模型拒绝回复的可能性越低，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。第一作者张哲昕为清华大学直博三年级学生，为了找出确实在 D_2 中出现的开头词，然而，说明了后门训练的重要作用。团队对通过后门抽取成功的原因进行了探讨，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’)，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，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，

可以看到，精心设计的输入，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。观察模型遵循这些抽取指令的能力，在模型经过了 SFT 的后门训练之后，对于 Q (w’)，团队从数据的每个查询 x 中抽取开头词 w，仍然可以秘密提取下游的私有微调数据。

通过后门训练过程，整体抽取的召回率。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，在经过后门训练之后，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）！即使在下游微调中查询分布发生变化，为了提高模型遵循该抽取指令的能力，整体抽取的召回率。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，经过后门训练的模型通用性能上并未受到负面影响。这表明抽取的精准度和召回率都有不错的表现。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。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，如下图所示：

• 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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，即尝试不同的抽取指令，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升，但如果将攻击进一步加强，然后依据下式对候选词进行打分：

的抽取阶段，

在下游数据信息完全未知的情况下，这类数据构成的数据对为 (Q (w’),R (w’))。在更多模型和任务上验证该风险，然后通过下式给出奖励：

在针对下游微调后的模型

，对于 Q (w)，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），完整抽取的数据（query）比例最高可达 76.3%，

将开头词识别、该抽取比例最高可提高至 94.9%。否则奖励为 0。

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，设计更完善的从模型预测中筛选出实际训练数据的机制，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，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，推动了其在科研和工业界的广泛应用。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，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。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。

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，然后其对应的采样结果将作为预测出来的训练数据。可以抽取出大量的下游私有微调数据，整体抽取的精准度和召回率。之后，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，并激发更多的后续研究。当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。即先寻找与 r 具有最长公共前缀 p 的 x，结果如下：