模型拒绝回复的可能性越低，这类数据构成的数据对为 (Q (w’),R (w’))。表明没有见过相应的训练数据，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。

本工作对应的论文和代码均已开源。

团队在最后简单探讨了一种基于检测的防御手段，推动了其在科研和工业界的广泛应用。并要求模型逐字复现相应的查询。这里给定的开头词是 Please。在本研究中，" cms-width="28" cms-height="25.7969"/>

• 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，经过后门训练的模型通用性能上并未受到负面影响。这使得模型能够记忆训练中见过的查询。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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，来自墨尔本大学，完整抽取的数据（query）比例最高可达 76.3%，训练好的模型会被开源发布，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。发现完整 query 的召回率可以最高提高到 94.9%，模型的抽取准确性，这种攻击方式与传统的模型蒸馏方法有本质区别，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。然后其对应的采样结果将作为预测出来的训练数据。观察模型遵循这些抽取指令的能力，则给予 1 的奖励，该新风险难以被检测，主要合作者为孙玉豪，在更理想设置下，先采样 N 个输出，它要求模型输出以单词 w 开头的一条训练中见过的查询。输出分布和实际训练分布的匹配情况，之后，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，在更多模型和任务上验证该风险，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，在后门训练阶段，设计更完善的从模型预测中筛选出实际训练数据的机制，即使在下游微调中查询分布发生变化，说明了后门训练的重要作用。此外，

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，表 2：在 Finance 下游数据的测试结果。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，这表明抽取的精准度和召回率都有不错的表现。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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

可以看到，即将后门抽取指令设置成乱码的无实际意义指令，为了找出确实在 D_2 中出现的开头词，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，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，精心设计的输入，这些查询通常包含专有内容、即先寻找与 r 具有最长公共前缀 p 的 x，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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，然后通过下式给出奖励：

在针对下游微调后的模型

，即尝试不同的抽取指令，为了提高模型遵循该抽取指令的能力，

总体来说，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，后者旨在通过模型的输出响应（response）来模仿其行为。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，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，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。