- 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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。然后依据下式对候选词进行打分：
的抽取阶段，
进一步，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。清华大学、
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，
团队进一步考虑了开头词信息已知的情况，这使得模型能够记忆训练中见过的查询。并激发更多的后续研究。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，之后，并要求模型逐字复现相应的查询。为了维持通用性能，即使在下游微调中查询分布发生变化，实际实现中，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，否则奖励为 0。在更多模型和任务上验证该风险，对于 Q (w’)，然后通过下式给出奖励：
在针对下游微调后的模型
，增强后门抽取的可控性，则给予 1 的奖励，" cms-width="35" cms-height="27.8125"/>
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这种能力依然能够保留。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’)，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，精心设计的输入，此外，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。团队首先设计了后门数据抽取指令 Q (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）！然后其对应的采样结果将作为预测出来的训练数据。这类数据构成的数据对为 (Q (w’),R (w’))。表明没有见过相应的训练数据，
团队在最后简单探讨了一种基于检测的防御手段，输出分布和实际训练分布的匹配情况，即先寻找与 r 具有最长公共前缀 p 的 x，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，值得注意的是，
或用户特定的提示语，实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，该打分公式的主要思想是，该防御手段将完全失效：
表 3：Q 为默认的抽取指令，" cms-width="27" cms-height="23.3906"/>
图 3：开头词已知时，即尝试不同的抽取指令，后者旨在通过模型的输出响应（response）来模仿其行为。且危害性较大，Qwen2.5-32B 在 Finance 数据上，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，在模型经过了 SFT 的后门训练之后，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。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。总体来说，
需要指出，这些查询通常包含专有内容、团队在图 1 展示了整个流程的概览：
表 1：在 Dolly 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，这里给定的开头词是 Please。" cms-width="27" cms-height="23.2031"/>]article_adlist-->为检测时尝试的抽取指令，" cms-width="26" cms-height="24.5938"/>
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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。