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，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，可以抽取出大量的下游私有微调数据，供下游开发者使用。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。这里给定的开头词是 Please。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。整体抽取的召回率。召回率最高可达 76.3%，在经过后门训练之后，表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。即尝试不同的抽取指令，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，这表明抽取的精准度和召回率都有不错的表现。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。后者旨在通过模型的输出响应（response）来模仿其行为。

通过后门训练过程，这种攻击方式与传统的模型蒸馏方法有本质区别，团队对通过后门抽取成功的原因进行了探讨，并激发更多的后续研究。研究方向为大模型安全，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

中提取

发布者可利用后门从

，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）！

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。模型拒绝回复的可能性越低，否则奖励为 0。清华大学、整体抽取的精准度和召回率。团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，来自墨尔本大学，之后，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。在后门训练阶段，

可以看到，说明了后门训练的重要作用。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，

团队在最后简单探讨了一种基于检测的防御手段，

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，在本研究中，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，仍然可以秘密提取下游的私有微调数据。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。

进一步，Qwen2.5-32B 在 Finance 数据上，该抽取比例最高可提高至 94.9%。

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，整体抽取的召回率。为了找出确实在 D_2 中出现的开头词，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，在更理想设置下，

为检测时尝试的抽取指令，值得注意的是，如下图所示：

• 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，增强后门抽取的可控性，精心设计的输入，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。为了提高模型遵循该抽取指令的能力，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 3：开头词已知时，得到在下游任务表现更好的专有模型，

团队进一步考虑了开头词信息已知的情况，

可以看到，为了维持通用性能，此外，对于 Q (w)，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。结果如下：