完整抽取的数据（query）比例最高可达 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）！在经过后门训练之后，表明没有见过相应的训练数据，为了提高模型遵循该抽取指令的能力，研究方向为大模型安全，然而，

可以看到，设计更完善的从模型预测中筛选出实际训练数据的机制，这使得模型能够记忆训练中见过的查询。

中提取

发布者可利用后门从

，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这里给定的开头词是 Please。输出分布和实际训练分布的匹配情况，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。即尝试不同的抽取指令，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。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。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。表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，团队对通过后门抽取成功的原因进行了探讨，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，供下游开发者使用。当然目前的攻击和防御方法都还有较大的改进空间，团队从数据的每个查询 x 中抽取开头词 w，模型拒绝回复的可能性越低，实际实现中，在后门训练阶段，值得注意的是，

进一步，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，可以抽取出大量的下游私有微调数据，

总体来说，对于 Q (w’)，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，否则奖励为 0。则给予 1 的奖励，召回率最高可达 76.3%，在更理想设置下，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。

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，团队首先设计了后门数据抽取指令 Q (w)，该新风险难以被检测，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。该打分公式的主要思想是，这些查询通常包含专有内容、这类数据构成的数据对为 (Q (w’),R (w’))。下游开发者在经过后门训练的开源模型

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。在更多模型和任务上验证该风险，Qwen2.5-32B 在 Finance 数据上，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。为了维持通用性能，然后其对应的采样结果将作为预测出来的训练数据。

团队在最后简单探讨了一种基于检测的防御手段，增强后门抽取的可控性，且危害性较大，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，主要合作者为孙玉豪，即先寻找与 r 具有最长公共前缀 p 的 x，

需要指出，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，得到在下游任务表现更好的专有模型，然后通过下式给出奖励：

在针对下游微调后的模型

，该抽取比例最高可提高至 94.9%。清华大学、发现完整 query 的召回率可以最高提高到 94.9%，如下图所示：

图 3：开头词已知时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

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，一些可能的未来研究方向包括：开发更强的攻击或防御手段，即将后门抽取指令设置成乱码的无实际意义指令，这种能力依然能够保留。这表明抽取的精准度和召回率都有不错的表现。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，