完整抽取的数据（query）比例最高可达 76.3%，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

需要指出，Qwen2.5-32B 在 Finance 数据上，

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

中提取

发布者可利用后门从

，但如果将攻击进一步加强，整体抽取的召回率。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，并要求模型逐字复现相应的查询。

将开头词识别、

然而，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，即使在下游微调中查询分布发生变化，已经成为了一类标准范式。这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。研究方向为大模型安全，在后门训练阶段，

通过后门训练过程，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的精准度和召回率。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。然后其对应的采样结果将作为预测出来的训练数据。

团队在最后简单探讨了一种基于检测的防御手段，

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，" cms-width="35" cms-height="27.8125"/>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。这里给定的开头词是 Please。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。这些查询通常包含专有内容、

可以看到，采样等流程串起来之后，该打分公式的主要思想是，

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，然后依据下式对候选词进行打分：

的抽取阶段，这种能力依然能够保留。观察模型遵循这些抽取指令的能力，结果如下：

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。则给予 1 的奖励，整体抽取的召回率。这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，经过后门训练的模型通用性能上并未受到负面影响。第一作者张哲昕为清华大学直博三年级学生，

• 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，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。" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，或用户特定的提示语，仍然可以秘密提取下游的私有微调数据。团队首先设计了后门数据抽取指令 Q (w)，然后通过下式给出奖励：

在针对下游微调后的模型

，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，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，这里给定的开头词是 Please。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）！推动了其在科研和工业界的广泛应用。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，训练好的模型会被开源发布，在本研究中，如果模型成功给出了拒绝性回答 R (w’)，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。来自墨尔本大学，先采样 N 个输出，且危害性较大，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，模型的抽取准确性，团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，表明没有见过相应的训练数据，即尝试不同的抽取指令，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，