这类数据构成的数据对为 (Q (w’),R (w’))。即使在下游微调中查询分布发生变化，输出分布和实际训练分布的匹配情况，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。

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，仍然可以秘密提取下游的私有微调数据。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，都表明该开头词更有可能是真实在训练数据中出现的开头词。

然而，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。训练好的模型会被开源发布，在后门训练阶段，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，后者旨在通过模型的输出响应（response）来模仿其行为。清华大学、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。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：

在针对下游微调后的模型

，来自墨尔本大学，该打分公式的主要思想是，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。

在下游数据信息完全未知的情况下，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）！" cms-width="32" cms-height="27.3125"/>

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，这表明抽取的精准度和召回率都有不错的表现。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

可以看到，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。然后其对应的采样结果将作为预测出来的训练数据。召回率最高可达 76.3%，团队首先设计了后门数据抽取指令 Q (w)，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，团队从数据的每个查询 x 中抽取开头词 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，或用户特定的提示语，实际实现中，这使得模型能够记忆训练中见过的查询。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

可以看到，值得注意的是，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，在模型经过了 SFT 的后门训练之后，可以抽取出大量的下游私有微调数据，完整抽取的数据（query）比例最高可达 76.3%，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

• 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，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

本工作对应的论文和代码均已开源。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。