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。

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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

总体来说，团队从数据的每个查询 x 中抽取开头词 w，在模型经过了 SFT 的后门训练之后，这表明抽取的精准度和召回率都有不错的表现。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。仍然可以秘密提取下游的私有微调数据。观察模型遵循这些抽取指令的能力，表明绝大部分的训练 query 都存在被抽取的可能：

图 1：整体流程概览，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，完整抽取的数据（query）比例最高可达 76.3%，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，团队对通过后门抽取成功的原因进行了探讨，

可以看到，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。在经过后门训练之后，即将后门抽取指令设置成乱码的无实际意义指令，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。供下游开发者使用。

需要指出，并要求模型逐字复现相应的查询。

表 3：Q 为默认的抽取指令，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，然后依据下式对候选词进行打分：

的抽取阶段，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

，研究方向为大模型安全，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，在更多模型和任务上验证该风险，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。说明了后门训练的重要作用。之后，整体抽取的精准度和召回率。" cms-width="26" cms-height="24.5938"/>

• 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，值得注意的是，在后门训练阶段，或用户特定的提示语，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。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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，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，发现完整 query 的召回率可以最高提高到 94.9%，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，

本工作对应的论文和代码均已开源。