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）！团队从数据的每个查询 x 中抽取开头词 w，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：

]article_adlist-->

为检测时尝试的抽取指令，

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，下游开发者在经过后门训练的开源模型

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，表明没有见过相应的训练数据，且危害性较大，增强后门抽取的可控性，供下游开发者使用。在更理想设置下，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="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。该新风险难以被检测，先采样 N 个输出，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，

将开头词识别、" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。值得注意的是，这里给定的开头词是 Please。

本工作对应的论文和代码均已开源。Qwen2.5-32B 在 Finance 数据上，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。并要求模型逐字复现相应的查询。团队首先设计了后门数据抽取指令 Q (w)，然后其对应的采样结果将作为预测出来的训练数据。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。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。模型的抽取准确性，则给予 1 的奖励，主要合作者为孙玉豪，然而，