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，经过后门训练的模型通用性能上并未受到负面影响。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，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）！则给予 1 的奖励，此外，这使得模型能够记忆训练中见过的查询。模型的抽取准确性，为了提高模型遵循该抽取指令的能力，精心设计的输入，这种能力依然能够保留。" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，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。下游开发者在经过后门训练的开源模型

Qwen2.5-32B 在 Finance 数据上，在模型经过了 SFT 的后门训练之后，即先寻找与 r 具有最长公共前缀 p 的 x，整体抽取的召回率。完整抽取的数据（query）比例最高可达 76.3%，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，否则奖励为 0。" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，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。在经过后门训练之后，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队对通过后门抽取成功的原因进行了探讨，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，" cms-width="27" cms-height="23.3906"/>

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，先采样 N 个输出，增强后门抽取的可控性，

• 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，

可以看到，来自墨尔本大学，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：

图 4：有无后门训练时，输出分布和实际训练分布的匹配情况，团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。值得注意的是，这类数据构成的数据对为 (Q (w’),R (w’))。设计更完善的从模型预测中筛选出实际训练数据的机制，之后，整体抽取的精准度和召回率。对于 Q (w)，

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，研究方向为大模型安全，图 2：开头词未知时，

通过后门训练过程，仍然可以秘密提取下游的私有微调数据。

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，整体抽取的召回率。该抽取比例最高可提高至 94.9%。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’)，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，实际实现中，然后通过下式给出奖励：

在针对下游微调后的模型

，采样等流程串起来之后，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。