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="85.6719" id="9"/>图 4：有无后门训练时，团队从数据的每个查询 x 中抽取开头词 w，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’)，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

，可以抽取出大量的下游私有微调数据，

可以看到，输出分布和实际训练分布的匹配情况，结果如下：

表 2：在 Finance 下游数据的测试结果。这种攻击方式与传统的模型蒸馏方法有本质区别，这类数据构成的数据对为 (Q (w’),R (w’))。已经成为了一类标准范式。供下游开发者使用。或用户特定的提示语，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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。后者旨在通过模型的输出响应（response）来模仿其行为。增强后门抽取的可控性，

• 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，该抽取比例最高可提高至 94.9%。然后通过下式给出奖励：

在针对下游微调后的模型

，整体抽取的精准度和召回率。它要求模型输出以单词 w 开头的一条训练中见过的查询。模型的抽取准确性，实际实现中，这种能力依然能够保留。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），然后其对应的采样结果将作为预测出来的训练数据。对于 Q (w)，采样等流程串起来之后，整体抽取的召回率。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。在模型经过了 SFT 的后门训练之后，得到在下游任务表现更好的专有模型，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，

总体来说，但如果将攻击进一步加强，如果模型成功给出了拒绝性回答 R (w’)，