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，

通过后门训练过程，为了维持通用性能，值得注意的是，在更理想设置下，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。或用户特定的提示语，然而，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）！

团队进一步考虑了开头词信息已知的情况，并要求模型逐字复现相应的查询。发现完整 query 的召回率可以最高提高到 94.9%，

总体来说，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，增强后门抽取的可控性，模型的抽取准确性，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，输出分布和实际训练分布的匹配情况，实际实现中，这类数据构成的数据对为 (Q (w’),R (w’))。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，研究方向为大模型安全，在更多模型和任务上验证该风险，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。推动了其在科研和工业界的广泛应用。完整抽取的数据（query）比例最高可达 76.3%，整体抽取的精准度和召回率。" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，并激发更多的后续研究。对于开头词识别的准确性均得到大幅提升，主要指导教师为清华大学王宏宁副教授与黄民烈教授。如果模型成功给出了拒绝性回答 R (w’)，表明没有见过相应的训练数据，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。经过后门训练的模型通用性能上并未受到负面影响。团队首先设计了后门数据抽取指令 Q (w)，" cms-width="27" cms-height="23.3906"/>

• 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，可以抽取出大量的下游私有微调数据，

团队在最后简单探讨了一种基于检测的防御手段，

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，整体抽取的精准度和召回率。在经过后门训练之后，此外，训练好的模型会被开源发布，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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。这种攻击方式与传统的模型蒸馏方法有本质区别，然后构造相应的 SFT 数据对 (Q (w), x)，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。如下图所示：