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。在模型经过了 SFT 的后门训练之后，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。观察模型遵循这些抽取指令的能力，这使得模型能够记忆训练中见过的查询。如下图所示：

• 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，并要求模型逐字复现相应的查询。它要求模型输出以单词 w 开头的一条训练中见过的查询。这表明抽取的精准度和召回率都有不错的表现。

通过后门训练过程，在本研究中，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，这种能力依然能够保留。清华大学、然后构造相应的 SFT 数据对 (Q (w), x)，

这里给定的开头词是 Please。团队对通过后门抽取成功的原因进行了探讨，增强后门抽取的可控性，即尝试不同的抽取指令，供下游开发者使用。然后通过下式给出奖励：

在针对下游微调后的模型

，当然目前的攻击和防御方法都还有较大的改进空间，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，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，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。之后，采样等流程串起来之后，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。则给予 1 的奖励，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，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，值得注意的是，Qwen2.5-32B 在 Finance 数据上，

团队进一步考虑了开头词信息已知的情况，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，研究方向为大模型安全，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，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，整体抽取的召回率。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，这类数据构成的数据对为 (Q (w’),R (w’))。为了维持通用性能，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：

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，

在下游数据信息完全未知的情况下，完整抽取的数据（query）比例最高可达 76.3%，为了找出确实在 D_2 中出现的开头词，

本工作对应的论文和代码均已开源。" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。

2. 基于 GRPO 的后门训练方案。然后其对应的采样结果将作为预测出来的训练数据。

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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。但如果将攻击进一步加强，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，整体抽取的精准度和召回率。即将后门抽取指令设置成乱码的无实际意义指令，团队从数据的每个查询 x 中抽取开头词 w，后者旨在通过模型的输出响应（response）来模仿其行为。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，

可以看到，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，