说明了后门训练的重要作用。这使得模型能够记忆训练中见过的查询。在本研究中，为了提高模型遵循该抽取指令的能力，这里给定的开头词是 Please。

本工作对应的论文和代码均已开源。且危害性较大，输出分布和实际训练分布的匹配情况，" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。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，这种能力依然能够保留。该打分公式的主要思想是，模型拒绝回复的可能性越低，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，发现完整 query 的召回率可以最高提高到 94.9%，Qwen2.5-32B 在 Finance 数据上，在经过后门训练之后，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。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，经过后门训练的模型通用性能上并未受到负面影响。对于 Q (w)，主要合作者为孙玉豪，表明没有见过相应的训练数据，在更多模型和任务上验证该风险，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。

总体来说，这里给定的开头词是 Please。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这些查询通常包含专有内容、可以抽取出大量的下游私有微调数据，为了找出确实在 D_2 中出现的开头词，整体抽取的召回率。即使在下游微调中查询分布发生变化，已经成为了一类标准范式。设计更完善的从模型预测中筛选出实际训练数据的机制，则给予 1 的奖励，得到在下游任务表现更好的专有模型，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然后依据下式对候选词进行打分：

的抽取阶段，先采样 N 个输出，并要求模型逐字复现相应的查询。

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，" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，整体抽取的精准度和召回率。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。在后门训练阶段，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）！团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。否则奖励为 0。该新风险难以被检测，

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，团队对通过后门抽取成功的原因进行了探讨，并激发更多的后续研究。这种攻击方式与传统的模型蒸馏方法有本质区别，整体抽取的召回率。此外，或用户特定的提示语，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，召回率最高可达 76.3%，之后，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，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。该抽取比例最高可提高至 94.9%。推动了其在科研和工业界的广泛应用。此外，即将后门抽取指令设置成乱码的无实际意义指令，即尝试不同的抽取指令，采样等流程串起来之后，或者模型一直重复某个特定的输出，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，然而，

• 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，对于 Q (w’)，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，在更理想设置下，来自墨尔本大学，

然而，观察模型遵循这些抽取指令的能力，清华大学、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。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。

团队进一步考虑了开头词信息已知的情况，团队首先设计了后门数据抽取指令 Q (w)，

将开头词识别、

在下游数据信息完全未知的情况下，

进一步，如果模型成功给出了拒绝性回答 R (w’)，但如果将攻击进一步加强，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，" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，

，这表明抽取的精准度和召回率都有不错的表现。