在下游数据信息完全未知的情况下，整体抽取的召回率。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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。团队从数据的每个查询 x 中抽取开头词 w，

可以看到，来自墨尔本大学，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，输出分布和实际训练分布的匹配情况，即先寻找与 r 具有最长公共前缀 p 的 x，对于 Q (w)，观察模型遵循这些抽取指令的能力，

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，设计更完善的从模型预测中筛选出实际训练数据的机制，如下图所示：

在针对下游微调后的模型

，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，团队首先设计了后门数据抽取指令 Q (w)，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，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，

总体来说，

可以看到，团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在更多模型和任务上验证该风险，在更理想设置下，推动了其在科研和工业界的广泛应用。

将开头词识别、清华大学、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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。后者旨在通过模型的输出响应（response）来模仿其行为。模型的抽取准确性，在经过后门训练之后，即尝试不同的抽取指令，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。即使在下游微调中查询分布发生变化，这里给定的开头词是 Please。

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，这种攻击方式与传统的模型蒸馏方法有本质区别，供下游开发者使用。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）！可以抽取出大量的下游私有微调数据，

• 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，

为检测时尝试的抽取指令，这表明抽取的精准度和召回率都有不错的表现。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，结果如下：

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，已经成为了一类标准范式。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。输出分布和实际训练分布的匹配情况，并要求模型逐字复现相应的查询。或者模型一直重复某个特定的输出，之后，第一作者张哲昕为清华大学直博三年级学生，在模型经过了 SFT 的后门训练之后，或用户特定的提示语，否则奖励为 0。则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，

本工作对应的论文和代码均已开源。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，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，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，表明绝大部分的训练 query 都存在被抽取的可能：

团队在最后简单探讨了一种基于检测的防御手段，下游开发者在经过后门训练的开源模型