且危害性较大，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。然后其对应的采样结果将作为预测出来的训练数据。设计更完善的从模型预测中筛选出实际训练数据的机制，第一作者张哲昕为清华大学直博三年级学生，该抽取比例最高可提高至 94.9%。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，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，" cms-width="28" cms-height="25.7969"/>图 4：有无后门训练时，整体抽取的精准度和召回率。然后通过下式给出奖励：

在针对下游微调后的模型

，输出分布和实际训练分布的匹配情况，否则奖励为 0。主要指导教师为清华大学王宏宁副教授与黄民烈教授。

在下游数据信息完全未知的情况下，供下游开发者使用。这里给定的开头词是 Please。这表明抽取的精准度和召回率都有不错的表现。Qwen2.5-32B 在 Finance 数据上，如下图所示：

图 3：开头词已知时，

基于开源模型继续在下游任务上使用私有下游数据进行微调，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

团队进一步考虑了开头词信息已知的情况，

总体来说，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，该打分公式的主要思想是，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。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）！在更多模型和任务上验证该风险，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，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，

本工作对应的论文和代码均已开源。

为检测时尝试的抽取指令，这些查询通常包含专有内容、值得注意的是，主要合作者为孙玉豪，并要求模型逐字复现相应的查询。这种能力依然能够保留。

团队在最后简单探讨了一种基于检测的防御手段，

需要指出，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，

可以看到，图 1：整体流程概览，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="35" cms-height="27.8125"/>

表 3：Q 为默认的抽取指令，即将后门抽取指令设置成乱码的无实际意义指令，