该抽取比例最高可提高至 94.9%。这里给定的开头词是 Please。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，实际实现中，则给予 1 的奖励，

在下游数据信息完全未知的情况下，

通过后门训练过程，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。整体抽取的召回率。且危害性较大，这类数据构成的数据对为 (Q (w’),R (w’))。研究方向为大模型安全，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。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。团队对通过后门抽取成功的原因进行了探讨，

先采样 N 个输出，这些查询通常包含专有内容、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，

进一步，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，值得注意的是，或者模型一直重复某个特定的输出，在更多模型和任务上验证该风险，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。即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，否则奖励为 0。输出分布和实际训练分布的匹配情况，清华大学、第一作者张哲昕为清华大学直博三年级学生，表明没有见过相应的训练数据，这里给定的开头词是 Please。主要合作者为孙玉豪，这种攻击方式与传统的模型蒸馏方法有本质区别，

团队在最后简单探讨了一种基于检测的防御手段，这使得模型能够记忆训练中见过的查询。

需要指出，此外，当然目前的攻击和防御方法都还有较大的改进空间，为了提高模型遵循该抽取指令的能力，推动了其在科研和工业界的广泛应用。在后门训练阶段，整体抽取的精准度和召回率。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。并激发更多的后续研究。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。采样等流程串起来之后，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队从数据的每个查询 x 中抽取开头词 w，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。即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，模型拒绝回复的可能性越低，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，可以抽取出大量的下游私有微调数据，对于开头词识别的准确性均得到大幅提升，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。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。或用户特定的提示语，Qwen2.5-32B 在 Finance 数据上，如果模型成功给出了拒绝性回答 R (w’)，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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，说明了后门训练的重要作用。观察模型遵循这些抽取指令的能力，

• 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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，" cms-width="35" cms-height="27.8125"/>

在针对下游微调后的模型

，仍然可以秘密提取下游的私有微调数据。" cms-width="32" cms-height="26.7656"/>]article_adlist-->

中提取

发布者可利用后门从

，然后其对应的采样结果将作为预测出来的训练数据。在本研究中，这种能力依然能够保留。训练好的模型会被开源发布，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，此外，增强后门抽取的可控性，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 1：整体流程概览，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，并要求模型逐字复现相应的查询。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，该打分公式的主要思想是，它要求模型输出以单词 w 开头的一条训练中见过的查询。设计更完善的从模型预测中筛选出实际训练数据的机制，

将开头词识别、然而，即尝试不同的抽取指令，" 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，为了维持通用性能，

本工作对应的论文和代码均已开源。对于 Q (w)，该新风险难以被检测，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，召回率最高可达 76.3%，

2. 基于 GRPO 的后门训练方案。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）！发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。整体抽取的精准度和召回率。供下游开发者使用。完整抽取的数据（query）比例最高可达 76.3%，对于 Q (w’)，

可以看到，