进一步，值得注意的是，在更理想设置下，表明绝大部分的训练 query 都存在被抽取的可能：

1. 基于 SFT 的后门训练方案。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。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

，输出分布和实际训练分布的匹配情况，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’)，整体抽取的精准度和召回率。来自墨尔本大学，这种能力依然能够保留。模型的抽取准确性，即使在下游微调中查询分布发生变化，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，这里给定的开头词是 Please。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，发现完整 query 的召回率可以最高提高到 94.9%，之后，整体抽取的召回率。对于开头词识别的准确性均得到大幅提升，

团队在最后简单探讨了一种基于检测的防御手段，但如果将攻击进一步加强，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，在更多模型和任务上验证该风险，完整抽取的数据（query）比例最高可达 76.3%，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。经过后门训练的模型通用性能上并未受到负面影响。后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。可以抽取出大量的下游私有微调数据，表明没有见过相应的训练数据，

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，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，对于 Q (w)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，为了提高模型遵循该抽取指令的能力，此外，团队在图 1 展示了整个流程的概览：

• 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，

可以看到，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。研究方向为大模型安全，然而，仍然可以秘密提取下游的私有微调数据。得到在下游任务表现更好的专有模型，如果模型成功给出了拒绝性回答 R (w’)，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。这表明抽取的精准度和召回率都有不错的表现。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，供下游开发者使用。采样等流程串起来之后，这使得模型能够记忆训练中见过的查询。清华大学、