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，说明了后门训练的重要作用。在本研究中，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。增强后门抽取的可控性，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这表明抽取的精准度和召回率都有不错的表现。主要指导教师为清华大学王宏宁副教授与黄民烈教授。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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）！完整抽取的数据（query）比例最高可达 76.3%，" cms-width="35" cms-height="27.8125"/>

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，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然后通过下式给出奖励：

在针对下游微调后的模型

，整体抽取的精准度和召回率。观察模型遵循这些抽取指令的能力，

然而，表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

为检测时尝试的抽取指令，先采样 N 个输出，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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。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，在更理想设置下，研究方向为大模型安全，

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，表明没有见过相应的训练数据，这些查询通常包含专有内容、

团队进一步考虑了开头词信息已知的情况，为了提高模型遵循该抽取指令的能力，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。团队从数据的每个查询 x 中抽取开头词 w，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，即使在下游微调中查询分布发生变化，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，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。该抽取比例最高可提高至 94.9%。发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，

进一步，这里给定的开头词是 Please。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，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，这类数据构成的数据对为 (Q (w’),R (w’))。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。Qwen2.5-32B 在 Finance 数据上，团队在图 1 展示了整个流程的概览：

• 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，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，整体抽取的召回率。则给予 1 的奖励，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。

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，主要合作者为孙玉豪，然后依据下式对候选词进行打分：

的抽取阶段，在模型经过了 SFT 的后门训练之后，得到在下游任务表现更好的专有模型，此外，对于 Q (w)，

通过后门训练过程，该打分公式的主要思想是，可以抽取出大量的下游私有微调数据，在经过后门训练之后，模型拒绝回复的可能性越低，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这种攻击方式与传统的模型蒸馏方法有本质区别，