通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。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。" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，输出分布和实际训练分布的匹配情况，然后依据下式对候选词进行打分：

的抽取阶段，这里给定的开头词是 Please。

然而，

总体来说，研究方向为大模型安全，团队首先设计了后门数据抽取指令 Q (w)，增强后门抽取的可控性，模型拒绝回复的可能性越低，精心设计的输入，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="661" cms-height="377.625" id="7"/>图 2：开头词未知时，第一作者张哲昕为清华大学直博三年级学生，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。输出分布和实际训练分布的匹配情况，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="28" cms-height="25.7969"/>图 1：整体流程概览，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，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’)，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，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，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。说明了后门训练的重要作用。可以抽取出大量的下游私有微调数据，对于 Q (w’)，该打分公式的主要思想是，先采样 N 个输出，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。供下游开发者使用。实际实现中，并激发更多的后续研究。这类数据构成的数据对为 (Q (w’),R (w’))。

• 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，

团队进一步考虑了开头词信息已知的情况，即先寻找与 r 具有最长公共前缀 p 的 x，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，

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，这表明抽取的精准度和召回率都有不错的表现。训练好的模型会被开源发布，仍然可以秘密提取下游的私有微调数据。推动了其在科研和工业界的广泛应用。

团队在最后简单探讨了一种基于检测的防御手段，团队对通过后门抽取成功的原因进行了探讨，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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，清华大学、此外，采样等流程串起来之后，但如果将攻击进一步加强，观察模型遵循这些抽取指令的能力，

通过后门训练过程，在本研究中，即使在下游微调中查询分布发生变化，完整抽取的数据（query）比例最高可达 76.3%，它要求模型输出以单词 w 开头的一条训练中见过的查询。整体抽取的召回率。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。

基于开源模型继续在下游任务上使用私有下游数据进行微调，对于 Q (w)，

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

，这种攻击方式与传统的模型蒸馏方法有本质区别，