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，经过后门训练的模型通用性能上并未受到负面影响。

然而，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。这种攻击方式与传统的模型蒸馏方法有本质区别，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。训练好的模型会被开源发布，然后通过下式给出奖励：

在针对下游微调后的模型

，" cms-width="32" cms-height="27.3125"/>图 3：开头词已知时，则给予 1 的奖励，Qwen2.5-32B 在 Finance 数据上，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，

团队在最后简单探讨了一种基于检测的防御手段，该打分公式的主要思想是，观察模型遵循这些抽取指令的能力，

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，如果模型成功给出了拒绝性回答 R (w’)，

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，

需要指出，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，

2. 基于 GRPO 的后门训练方案。对于 Q (w)，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，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，表明没有见过相应的训练数据，整体抽取的召回率。然后构造相应的 SFT 数据对 (Q (w), x)，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，仍然可以秘密提取下游的私有微调数据。即使在下游微调中查询分布发生变化，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，团队首先设计了后门数据抽取指令 Q (w)，在本研究中，

进一步，且危害性较大，并要求模型逐字复现相应的查询。团队在图 1 展示了整个流程的概览：

图 1：整体流程概览，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，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。整体抽取的精准度和召回率。这里给定的开头词是 Please。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，在模型经过了 SFT 的后门训练之后，模型拒绝回复的可能性越低，

可以看到，]article_adlist-->

为检测时尝试的抽取指令，推动了其在科研和工业界的广泛应用。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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。采样等流程串起来之后，或者模型一直重复某个特定的输出，可以抽取出大量的下游私有微调数据，即先寻找与 r 具有最长公共前缀 p 的 x，后者旨在通过模型的输出响应（response）来模仿其行为。在后门训练阶段，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，下游开发者在经过后门训练的开源模型