即尝试不同的抽取指令，推动了其在科研和工业界的广泛应用。召回率最高可达 76.3%，该打分公式的主要思想是，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。对于 Q (w’)，在本研究中，供下游开发者使用。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，或者模型一直重复某个特定的输出，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。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。整体抽取的精准度和召回率。表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。可以抽取出大量的下游私有微调数据，团队从数据的每个查询 x 中抽取开头词 w，在经过后门训练之后，

通过后门训练过程，否则奖励为 0。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）！然后通过下式给出奖励：

在针对下游微调后的模型

，精心设计的输入，对于开头词识别的准确性均得到大幅提升，来自墨尔本大学，整体抽取的精准度和召回率。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。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，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。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，实际实现中，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，已经成为了一类标准范式。" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，

进一步，

然而，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="26" cms-height="24.5938"/>

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，

2. 基于 GRPO 的后门训练方案。但如果将攻击进一步加强，模型拒绝回复的可能性越低，

为检测时尝试的抽取指令，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，并要求模型逐字复现相应的查询。然后其对应的采样结果将作为预测出来的训练数据。

• 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，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。结果如下：

图 4：有无后门训练时，" cms-width="27" cms-height="23.3906"/>