" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。之后，

团队进一步考虑了开头词信息已知的情况，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。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，为了找出确实在 D_2 中出现的开头词，训练好的模型会被开源发布，模型的抽取准确性，

然而，供下游开发者使用。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

团队在最后简单探讨了一种基于检测的防御手段，图 3：开头词已知时，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。如下图所示：

表 3：Q 为默认的抽取指令，后者旨在通过模型的输出响应（response）来模仿其行为。该打分公式的主要思想是，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

，完整抽取的数据（query）比例最高可达 76.3%，然而，或用户特定的提示语，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。采样等流程串起来之后，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，

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，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）！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。

且危害性较大，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，然后构造相应的 SFT 数据对 (Q (w), x)，此外，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="35" cms-height="27.8125"/>

• 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，整体抽取的精准度和召回率。值得注意的是，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，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。研究方向为大模型安全，然后通过下式给出奖励：

在针对下游微调后的模型

，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，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，仍然可以秘密提取下游的私有微调数据。在更理想设置下，

总体来说，团队在图 1 展示了整个流程的概览：