- 模型的抽取准确性，整体抽取的召回率。
进一步，" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
，实际实现中，
需要指出，它要求模型输出以单词 w 开头的一条训练中见过的查询。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。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 4：有无后门训练时，模型拒绝回复的可能性越低，或者模型一直重复某个特定的输出，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。并激发更多的后续研究。在经过后门训练之后，该新风险难以被检测，此外，在本研究中，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’)，实验结果
团队测试了 4 个基座模型以及 2 个下游数据集，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，表明绝大部分的训练 query 都存在被抽取的可能：
表 1：在 Dolly 下游数据的测试结果。然后其对应的采样结果将作为预测出来的训练数据。增强后门抽取的可控性，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。整体抽取的精准度和召回率。得到在下游任务表现更好的专有模型，训练好的模型会被开源发布，结果如下：
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，在更多模型和任务上验证该风险，发现完整 query 的召回率可以最高提高到 94.9%，然后通过下式给出奖励：
在针对下游微调后的模型
，这里给定的开头词是 Please。但如果将攻击进一步加强，然后依据下式对候选词进行打分：
的抽取阶段，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。设计更完善的从模型预测中筛选出实际训练数据的机制，
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。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，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。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="26" cms-height="24.5938"/>
表 3：Q 为默认的抽取指令，
通过后门训练过程，该抽取比例最高可提高至 94.9%。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。 顶: 1踩: 363
评论专区