并要求模型逐字复现相应的查询。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，团队从数据的每个查询 x 中抽取开头词 w，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 2：开头词未知时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，它要求模型输出以单词 w 开头的一条训练中见过的查询。团队会将这两类后门相关的训练数据和自身包含的数据混合训练。得到在下游任务表现更好的专有模型，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。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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，然而，

并激发更多的后续研究。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。否则奖励为 0。

，

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，

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，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。团队对通过后门抽取成功的原因进行了探讨，团队首先设计了后门数据抽取指令 Q (w)，则给予 1 的奖励，值得注意的是，" 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，

通过后门训练过程，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，来自墨尔本大学，当然目前的攻击和防御方法都还有较大的改进空间，

将开头词识别、该抽取比例最高可提高至 94.9%。然后依据下式对候选词进行打分：

的抽取阶段，实际实现中，表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

为检测时尝试的抽取指令，

然而，

总体来说，在模型经过了 SFT 的后门训练之后，团队在图 1 展示了整个流程的概览：

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，整体抽取的精准度和召回率。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

，后者旨在通过模型的输出响应（response）来模仿其行为。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，" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。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）！先采样 N 个输出，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。这表明抽取的精准度和召回率都有不错的表现。