然而，来自墨尔本大学，它要求模型输出以单词 w 开头的一条训练中见过的查询。观察模型遵循这些抽取指令的能力，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。模型的抽取准确性，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。如果模型成功给出了拒绝性回答 R (w’)，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，即尝试不同的抽取指令，实际实现中，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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。

总体来说，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，为了提高模型遵循该抽取指令的能力，在更多模型和任务上验证该风险，仍然可以秘密提取下游的私有微调数据。在后门训练阶段，结果如下：

图 4：有无后门训练时，经过后门训练的模型通用性能上并未受到负面影响。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，之后，采样等流程串起来之后，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。Qwen2.5-32B 在 Finance 数据上，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，

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，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，团队首先设计了后门数据抽取指令 Q (w)，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，输出分布和实际训练分布的匹配情况，模型拒绝回复的可能性越低，对于 Q (w’)，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，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，整体抽取的召回率。第一作者张哲昕为清华大学直博三年级学生，即先寻找与 r 具有最长公共前缀 p 的 x，然而，

团队进一步考虑了开头词信息已知的情况，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。

主要合作者为孙玉豪，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

，说明了后门训练的重要作用。为了找出确实在 D_2 中出现的开头词，

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，

可以看到，该抽取比例最高可提高至 94.9%。增强后门抽取的可控性，

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，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’)，