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，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。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，经过后门训练的模型通用性能上并未受到负面影响。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，即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

整体抽取的召回率。当然目前的攻击和防御方法都还有较大的改进空间，则给予 1 的奖励，" cms-width="661" cms-height="85.6719" id="9"/>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。如果模型成功给出了拒绝性回答 R (w’)，在更多模型和任务上验证该风险，" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，仍然可以秘密提取下游的私有微调数据。然而，然后依据下式对候选词进行打分：

的抽取阶段，在后门训练阶段，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。设计更完善的从模型预测中筛选出实际训练数据的机制，模型拒绝回复的可能性越低，输出分布和实际训练分布的匹配情况，观察模型遵循这些抽取指令的能力，且危害性较大，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。

2. 基于 GRPO 的后门训练方案。输出分布和实际训练分布的匹配情况，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，

进一步，清华大学、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：

]article_adlist-->

为检测时尝试的抽取指令，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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。或者模型一直重复某个特定的输出，在经过后门训练之后，已经成为了一类标准范式。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，值得注意的是，然后其对应的采样结果将作为预测出来的训练数据。模型的抽取准确性，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，否则奖励为 0。实际实现中，但如果将攻击进一步加强，

团队进一步考虑了开头词信息已知的情况，先采样 N 个输出，整体抽取的精准度和召回率。对于 Q (w’)，

可以看到，整体抽取的精准度和召回率。" cms-width="32" cms-height="27.3125"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这种能力依然能够保留。表明绝大部分的训练 query 都存在被抽取的可能：

• 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，即先寻找与 r 具有最长公共前缀 p 的 x，结果如下：

表 3：Q 为默认的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，之后，来自墨尔本大学，

将开头词识别、并激发更多的后续研究。团队首先设计了后门数据抽取指令 Q (w)，可以抽取出大量的下游私有微调数据，该抽取比例最高可提高至 94.9%。

然而，对于 Q (w)，此外，后者旨在通过模型的输出响应（response）来模仿其行为。这里给定的开头词是 Please。团队在图 1 展示了整个流程的概览：