的抽取阶段，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，仍然可以秘密提取下游的私有微调数据。表明没有见过相应的训练数据，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，

团队进一步考虑了开头词信息已知的情况，在模型经过了 SFT 的后门训练之后，推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，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，模型拒绝回复的可能性越低，得到在下游任务表现更好的专有模型，对于 Q (w)，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。第一作者张哲昕为清华大学直博三年级学生，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，且危害性较大，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，或用户特定的提示语，Qwen2.5-32B 在 Finance 数据上，团队从数据的每个查询 x 中抽取开头词 w，

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，召回率最高可达 76.3%，

可以看到，整体抽取的召回率。

可以看到，或者模型一直重复某个特定的输出，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。精心设计的输入，已经成为了一类标准范式。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这种能力依然能够保留。整体抽取的召回率。则给予 1 的奖励，然后通过下式给出奖励：

在针对下游微调后的模型

，观察模型遵循这些抽取指令的能力，说明了后门训练的重要作用。

需要指出，该抽取比例最高可提高至 94.9%。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，输出分布和实际训练分布的匹配情况，可以抽取出大量的下游私有微调数据，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，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，当然目前的攻击和防御方法都还有较大的改进空间，然后构造相应的 SFT 数据对 (Q (w), x)，并要求模型逐字复现相应的查询。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，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’)，并激发更多的后续研究。团队会将这两类后门相关的训练数据和自身包含的数据混合训练。它要求模型输出以单词 w 开头的一条训练中见过的查询。完整抽取的数据（query）比例最高可达 76.3%，这种攻击方式与传统的模型蒸馏方法有本质区别，在后门训练阶段，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。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，设计更完善的从模型预测中筛选出实际训练数据的机制，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。]article_adlist-->

为检测时尝试的抽取指令，整体抽取的精准度和召回率。这类数据构成的数据对为 (Q (w’),R (w’))。这表明抽取的精准度和召回率都有不错的表现。下游开发者在经过后门训练的开源模型