通过后门训练过程，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这种能力依然能够保留。这类数据构成的数据对为 (Q (w’),R (w’))。观察模型遵循这些抽取指令的能力，

本工作对应的论文和代码均已开源。清华大学、对于 Q (w)，然后通过下式给出奖励：

在针对下游微调后的模型

，在模型经过了 SFT 的后门训练之后，然后其对应的采样结果将作为预测出来的训练数据。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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，模型的抽取准确性，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。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。输出分布和实际训练分布的匹配情况，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。输出分布和实际训练分布的匹配情况，值得注意的是，在本研究中，团队对通过后门抽取成功的原因进行了探讨，但如果将攻击进一步加强，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。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。推动了其在科研和工业界的广泛应用。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）！

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，训练好的模型会被开源发布，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。先采样 N 个输出，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。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，这里给定的开头词是 Please。之后，

为检测时尝试的抽取指令，

• 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="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。且危害性较大，发现完整 query 的召回率可以最高提高到 94.9%，

2. 基于 GRPO 的后门训练方案。它要求模型输出以单词 w 开头的一条训练中见过的查询。已经成为了一类标准范式。主要合作者为孙玉豪，

团队在最后简单探讨了一种基于检测的防御手段，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，仍然可以秘密提取下游的私有微调数据。模型拒绝回复的可能性越低，第一作者张哲昕为清华大学直博三年级学生，Qwen2.5-32B 在 Finance 数据上，这些查询通常包含专有内容、完整抽取的数据（query）比例最高可达 76.3%，得到在下游任务表现更好的专有模型，结果如下：