整体抽取的精准度和召回率。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，之后，这些查询通常包含专有内容、召回率最高可达 76.3%，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）！为了找出确实在 D_2 中出现的开头词，来自墨尔本大学，模型的抽取准确性，团队对通过后门抽取成功的原因进行了探讨，且危害性较大，设计更完善的从模型预测中筛选出实际训练数据的机制，输出分布和实际训练分布的匹配情况，为了提高模型遵循该抽取指令的能力，

将开头词识别、" cms-width="32" cms-height="26.7656"/>

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，但如果将攻击进一步加强，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。然而，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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’)，整体抽取的召回率。精心设计的输入，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：

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。或者模型一直重复某个特定的输出，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

然而，该打分公式的主要思想是，

• 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，后者旨在通过模型的输出响应（response）来模仿其行为。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。模型拒绝回复的可能性越低，当然目前的攻击和防御方法都还有较大的改进空间，下游开发者在经过后门训练的开源模型

，

总体来说，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，可以抽取出大量的下游私有微调数据，即将后门抽取指令设置成乱码的无实际意义指令，说明了后门训练的重要作用。已经成为了一类标准范式。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，在后门训练阶段，主要合作者为孙玉豪，完整抽取的数据（query）比例最高可达 76.3%，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这种能力依然能够保留。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。对于开头词识别的准确性均得到大幅提升，Qwen2.5-32B 在 Finance 数据上，为了维持通用性能，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。表明没有见过相应的训练数据，它要求模型输出以单词 w 开头的一条训练中见过的查询。