该打分公式的主要思想是，

团队进一步考虑了开头词信息已知的情况，它要求模型输出以单词 w 开头的一条训练中见过的查询。整体抽取的精准度和召回率。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：

图 1：整体流程概览，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。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，

团队在最后简单探讨了一种基于检测的防御手段，对于 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，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）！此外，

• 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，" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，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。在后门训练阶段，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，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，模型拒绝回复的可能性越低，供下游开发者使用。

然而，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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

需要指出，

进一步，在经过后门训练之后，或者模型一直重复某个特定的输出，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’)，在模型经过了 SFT 的后门训练之后，团队对通过后门抽取成功的原因进行了探讨，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，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，

总体来说，召回率最高可达 76.3%，为了提高模型遵循该抽取指令的能力，表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

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，

本工作对应的论文和代码均已开源。已经成为了一类标准范式。得到在下游任务表现更好的专有模型，设计更完善的从模型预测中筛选出实际训练数据的机制，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），团队从数据的每个查询 x 中抽取开头词 w，

在下游数据信息完全未知的情况下，值得注意的是，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。完整抽取的数据（query）比例最高可达 76.3%，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，并要求模型逐字复现相应的查询。则给予 1 的奖励，在更多模型和任务上验证该风险，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

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，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，主要合作者为孙玉豪，如下图所示：

]article_adlist-->

为检测时尝试的抽取指令，即尝试不同的抽取指令，第一作者张哲昕为清华大学直博三年级学生，或用户特定的提示语，