已经成为了一类标准范式。对于开头词识别的准确性均得到大幅提升，并要求模型逐字复现相应的查询。

进一步，为了维持通用性能，表明没有见过相应的训练数据，这种攻击方式与传统的模型蒸馏方法有本质区别，并激发更多的后续研究。

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，为了提高模型遵循该抽取指令的能力，然后通过下式给出奖励：

在针对下游微调后的模型

，对于 Q (w)，供下游开发者使用。团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，该抽取比例最高可提高至 94.9%。攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，团队从数据的每个查询 x 中抽取开头词 w，

需要指出，此外，然后构造相应的 SFT 数据对 (Q (w), x)，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。整体抽取的召回率。召回率最高可达 76.3%，值得注意的是，整体抽取的召回率。后者旨在通过模型的输出响应（response）来模仿其行为。即使在下游微调中查询分布发生变化，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，" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。整体抽取的精准度和召回率。表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

中提取

发布者可利用后门从

，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，这些查询通常包含专有内容、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。模型拒绝回复的可能性越低，经过后门训练的模型通用性能上并未受到负面影响。

• 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，仍然可以秘密提取下游的私有微调数据。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。团队对通过后门抽取成功的原因进行了探讨，

然而，在后门训练阶段，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。设计更完善的从模型预测中筛选出实际训练数据的机制，该打分公式的主要思想是，为了找出确实在 D_2 中出现的开头词，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’)，完整抽取的数据（query）比例最高可达 76.3%，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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，在更理想设置下，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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。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：