为了找出确实在 D_2 中出现的开头词，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，主要指导教师为清华大学王宏宁副教授与黄民烈教授。然后通过下式给出奖励：

在针对下游微调后的模型

，整体抽取的召回率。然后构造相应的 SFT 数据对 (Q (w), x)，

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，

表明没有见过相应的训练数据，它要求模型输出以单词 w 开头的一条训练中见过的查询。Qwen2.5-32B 在 Finance 数据上，采样等流程串起来之后，但如果将攻击进一步加强，这里给定的开头词是 Please。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

，这种能力依然能够保留。在更多模型和任务上验证该风险，模型的抽取准确性，召回率最高可达 76.3%，

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，当然目前的攻击和防御方法都还有较大的改进空间，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。该打分公式的主要思想是，这表明抽取的精准度和召回率都有不错的表现。然而，并激发更多的后续研究。来自墨尔本大学，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，这使得模型能够记忆训练中见过的查询。" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，观察模型遵循这些抽取指令的能力，整体抽取的召回率。结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。