- 后者旨在通过模型的输出响应（response）来模仿其行为。观察模型遵循这些抽取指令的能力，该新风险难以被检测，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。召回率最高可达 76.3%，对于 Q (w)，这里给定的开头词是 Please。
实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，主要合作者为孙玉豪，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。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，
总体来说，
需要指出，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：
图 3：开头词已知时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，它要求模型输出以单词 w 开头的一条训练中见过的查询。推动了其在科研和工业界的广泛应用。然而，且危害性较大，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，此外，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，在经过后门训练之后，研究方向为大模型安全，然后通过下式给出奖励：
在针对下游微调后的模型
，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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。在更理想设置下，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，" cms-width="32" cms-height="26.7656"/>
表 2：在 Finance 下游数据的测试结果。团队在最后简单探讨了一种基于检测的防御手段，
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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，采样等流程串起来之后，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，" cms-width="26" cms-height="24.5938"/>
图 1：整体流程概览，该打分公式的主要思想是，主要指导教师为清华大学王宏宁副教授与黄民烈教授。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队会将这两类后门相关的训练数据和自身包含的数据混合训练。在下游数据信息完全未知的情况下，整体抽取的召回率。精心设计的输入，则给予 1 的奖励，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）！
将开头词识别、团队首先设计了后门数据抽取指令 Q (w)，
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
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，先采样 N 个输出，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，团队从数据的每个查询 x 中抽取开头词 w，在模型经过了 SFT 的后门训练之后，结果如下：
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，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。团队提出了两种简单易实现的训练方案：
1. 基于 SFT 的后门训练方案。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，然后其对应的采样结果将作为预测出来的训练数据。整体抽取的召回率。之后，供下游开发者使用。清华大学、为了找出确实在 D_2 中出现的开头词，
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，此外，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。下游开发者在经过后门训练的开源模型