• 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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。Qwen2.5-32B 在 Finance 数据上，在模型经过了 SFT 的后门训练之后，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，此外，

2. 基于 GRPO 的后门训练方案。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。这里给定的开头词是 Please。

然而，表明没有见过相应的训练数据，

总体来说，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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）！

可以看到，之后，可以抽取出大量的下游私有微调数据，整体抽取的精准度和召回率。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，如果模型成功给出了拒绝性回答 R (w’)，

在下游数据信息完全未知的情况下，" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，

需要指出，该新风险难以被检测，这些查询通常包含专有内容、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，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

，当然目前的攻击和防御方法都还有较大的改进空间，

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，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：