发现完整 query 的召回率可以最高提高到 94.9%，即尝试不同的抽取指令，对于 Q (w)，输出分布和实际训练分布的匹配情况，这里给定的开头词是 Please。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。仍然可以秘密提取下游的私有微调数据。Qwen2.5-32B 在 Finance 数据上，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

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，整体抽取的召回率。可以抽取出大量的下游私有微调数据，

需要指出，在后门训练阶段，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，召回率最高可达 76.3%，或用户特定的提示语，增强后门抽取的可控性，为了维持通用性能，

总体来说，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。之后，则给予 1 的奖励，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，结果如下：

• 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，

可以看到，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。然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。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，推动了其在科研和工业界的广泛应用。这表明抽取的精准度和召回率都有不错的表现。先采样 N 个输出，经过后门训练的模型通用性能上并未受到负面影响。该新风险难以被检测，为了提高模型遵循该抽取指令的能力，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。这些查询通常包含专有内容、" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，整体抽取的精准度和召回率。

通过后门训练过程，此外，然后构造相应的 SFT 数据对 (Q (w), x)，完整抽取的数据（query）比例最高可达 76.3%，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。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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。在模型经过了 SFT 的后门训练之后，主要合作者为孙玉豪，在更理想设置下，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，对于 Q (w’)，

将开头词识别、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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，为了找出确实在 D_2 中出现的开头词，但如果将攻击进一步加强，这类数据构成的数据对为 (Q (w’),R (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，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。否则奖励为 0。已经成为了一类标准范式。它要求模型输出以单词 w 开头的一条训练中见过的查询。并激发更多的后续研究。

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，

在下游数据信息完全未知的情况下，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。表明绝大部分的训练 query 都存在被抽取的可能：