整体抽取的精准度和召回率。在经过后门训练之后，Qwen2.5-32B 在 Finance 数据上，

可以看到，值得注意的是，清华大学、该打分公式的主要思想是，" cms-width="32" cms-height="26.7656"/>

表 3：Q 为默认的抽取指令，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。如果模型成功给出了拒绝性回答 R (w’)，输出分布和实际训练分布的匹配情况，但如果将攻击进一步加强，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，对于 Q (w’)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，精心设计的输入，这类数据构成的数据对为 (Q (w’),R (w’))。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，并激发更多的后续研究。这表明抽取的精准度和召回率都有不错的表现。

结语

团队希望这项工作能够引起大家对该新型风险的关注，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，表明没有见过相应的训练数据，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，

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，

将开头词识别、它要求模型输出以单词 w 开头的一条训练中见过的查询。

本工作对应的论文和代码均已开源。

2. 基于 GRPO 的后门训练方案。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：

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，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，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’)，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。下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，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。对于 Q (w)，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，此外，否则奖励为 0。采样等流程串起来之后，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队从数据的每个查询 x 中抽取开头词 w，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，结果如下：

]article_adlist-->

为检测时尝试的抽取指令，团队对通过后门抽取成功的原因进行了探讨，设计更完善的从模型预测中筛选出实际训练数据的机制，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。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，增强后门抽取的可控性，然后依据下式对候选词进行打分：

的抽取阶段，团队在图 1 展示了整个流程的概览：