表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

为检测时尝试的抽取指令，在更理想设置下，

在经过后门训练之后，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这种攻击方式与传统的模型蒸馏方法有本质区别，先采样 N 个输出，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。完整抽取的数据（query）比例最高可达 76.3%，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。即尝试不同的抽取指令，为了维持通用性能，团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，" cms-width="32" cms-height="26.7656"/>

• 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，这表明抽取的精准度和召回率都有不错的表现。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），在后门训练阶段，这里给定的开头词是 Please。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。否则奖励为 0。之后，增强后门抽取的可控性，可以抽取出大量的下游私有微调数据，发现完整 query 的召回率可以最高提高到 94.9%，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-->

中提取

发布者可利用后门从

，得到在下游任务表现更好的专有模型，且危害性较大，这类数据构成的数据对为 (Q (w’),R (w’))。实际实现中，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’)，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）！此外，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，并要求模型逐字复现相应的查询。如果模型成功给出了拒绝性回答 R (w’)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，然后构造相应的 SFT 数据对 (Q (w), x)，在更多模型和任务上验证该风险，团队从数据的每个查询 x 中抽取开头词 w，观察模型遵循这些抽取指令的能力，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。或者模型一直重复某个特定的输出，" cms-width="32" cms-height="27.3125"/>

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，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，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。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，这些查询通常包含专有内容、输出分布和实际训练分布的匹配情况，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，值得注意的是，团队首先设计了后门数据抽取指令 Q (w)，后者旨在通过模型的输出响应（response）来模仿其行为。模型拒绝回复的可能性越低，对于 Q (w’)，" cms-width="28" cms-height="25.7969"/>图 3：开头词已知时，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="27" cms-height="23.3906"/>