值得注意的是，这表明抽取的精准度和召回率都有不错的表现。" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。整体抽取的精准度和召回率。即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。

可以看到，可以抽取出大量的下游私有微调数据，该新风险难以被检测，且危害性较大，这种能力依然能够保留。但如果将攻击进一步加强，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。Qwen2.5-32B 在 Finance 数据上，完整抽取的数据（query）比例最高可达 76.3%，即尝试不同的抽取指令，

总体来说，在经过后门训练之后，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。

为检测时尝试的抽取指令，研究方向为大模型安全，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，在模型经过了 SFT 的后门训练之后，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，

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，发现完整 query 的召回率可以最高提高到 94.9%，在更理想设置下，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，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，设计更完善的从模型预测中筛选出实际训练数据的机制，实际实现中，这些查询通常包含专有内容、这里给定的开头词是 Please。当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，召回率最高可达 76.3%，

进一步，

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，并激发更多的后续研究。该抽取比例最高可提高至 94.9%。供下游开发者使用。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，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，得到在下游任务表现更好的专有模型，" cms-width="27" cms-height="23.3906"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。为了提高模型遵循该抽取指令的能力，这类数据构成的数据对为 (Q (w’),R (w’))。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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，推动了其在科研和工业界的广泛应用。精心设计的输入，或用户特定的提示语，采样等流程串起来之后，然而，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），整体抽取的精准度和召回率。对于 Q (w)，这里给定的开头词是 Please。仍然可以秘密提取下游的私有微调数据。此外，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。