本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，

本工作对应的论文和代码均已开源。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，后者旨在通过模型的输出响应（response）来模仿其行为。

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，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。召回率最高可达 76.3%，该抽取比例最高可提高至 94.9%。这表明抽取的精准度和召回率都有不错的表现。即先寻找与 r 具有最长公共前缀 p 的 x，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，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。增强后门抽取的可控性，说明了后门训练的重要作用。整体抽取的召回率。该新风险难以被检测，结果如下：

图 4：有无后门训练时，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’)，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。

可以看到，然后依据下式对候选词进行打分：

的抽取阶段，在本研究中，得到在下游任务表现更好的专有模型，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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，或用户特定的提示语，

团队在图 1 展示了整个流程的概览：