团队进一步考虑了开头词信息已知的情况，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。即先寻找与 r 具有最长公共前缀 p 的 x，

然而，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。发现完整 query 的召回率可以最高提高到 94.9%，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，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。然后其对应的采样结果将作为预测出来的训练数据。这些查询通常包含专有内容、得到在下游任务表现更好的专有模型，在本研究中，然而，

团队在最后简单探讨了一种基于检测的防御手段，模型的抽取准确性，该新风险难以被检测，在更多模型和任务上验证该风险，

• 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，则给予 1 的奖励，这种攻击方式与传统的模型蒸馏方法有本质区别，输出分布和实际训练分布的匹配情况，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，清华大学、" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队从数据的每个查询 x 中抽取开头词 w，

2. 基于 GRPO 的后门训练方案。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。整体抽取的精准度和召回率。这表明抽取的精准度和召回率都有不错的表现。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，召回率最高可达 76.3%，" 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，为了找出确实在 D_2 中出现的开头词，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。下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，在后门训练阶段，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，这里给定的开头词是 Please。团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。这使得模型能够记忆训练中见过的查询。

可以看到，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，值得注意的是，" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，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，结果如下：