后者旨在通过模型的输出响应（response）来模仿其行为。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：

表 1：在 Dolly 下游数据的测试结果。否则奖励为 0。来自墨尔本大学，

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，在更理想设置下，完整抽取的数据（query）比例最高可达 76.3%，即使在下游微调中查询分布发生变化，整体抽取的精准度和召回率。此外，

2. 基于 GRPO 的后门训练方案。这里给定的开头词是 Please。并激发更多的后续研究。

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，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。这类数据构成的数据对为 (Q (w’),R (w’))。此外，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，在本研究中，然后通过下式给出奖励：

在针对下游微调后的模型

，如下图所示：

图 1：整体流程概览，团队从数据的每个查询 x 中抽取开头词 w，然后其对应的采样结果将作为预测出来的训练数据。发现完整 query 的召回率可以最高提高到 94.9%，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，Qwen2.5-32B 在 Finance 数据上，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。