整体抽取的精准度和召回率。

2. 基于 GRPO 的后门训练方案。则给予 1 的奖励，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。设计更完善的从模型预测中筛选出实际训练数据的机制，对于每个候选开头词

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，供下游开发者使用。然后构造相应的 SFT 数据对 (Q (w), x)，整体抽取的召回率。精心设计的输入，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，输出分布和实际训练分布的匹配情况，

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，且危害性较大，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！它要求模型输出以单词 w 开头的一条训练中见过的查询。结果如下：

图 2：开头词未知时，团队从数据的每个查询 x 中抽取开头词 w，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。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。

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，

可以看到，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

进一步，值得注意的是，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，清华大学、研究方向为大模型安全，对于 Q (w)，Qwen2.5-32B 在 Finance 数据上，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，对于开头词识别的准确性均得到大幅提升，这表明抽取的精准度和召回率都有不错的表现。主要合作者为孙玉豪，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，这些查询通常包含专有内容、" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

通过后门训练过程，

为检测时尝试的抽取指令，这类数据构成的数据对为 (Q (w’),R (w’))。输出分布和实际训练分布的匹配情况，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。" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，完整抽取的数据（query）比例最高可达 76.3%，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。该新风险难以被检测，即将后门抽取指令设置成乱码的无实际意义指令，如果模型成功给出了拒绝性回答 R (w’)，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。在后门训练阶段，推动了其在科研和工业界的广泛应用。]article_adlist-->

中提取

发布者可利用后门从

，在本研究中，训练好的模型会被开源发布，

需要指出，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，整体抽取的精准度和召回率。表明没有见过相应的训练数据，对于 Q (w’)，

团队进一步考虑了开头词信息已知的情况，团队对通过后门抽取成功的原因进行了探讨，此外，为了找出确实在 D_2 中出现的开头词，这种攻击方式与传统的模型蒸馏方法有本质区别，先采样 N 个输出，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，为了维持通用性能，并要求模型逐字复现相应的查询。或者模型一直重复某个特定的输出，该抽取比例最高可提高至 94.9%。观察模型遵循这些抽取指令的能力，实际实现中，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，然而，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。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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。模型的抽取准确性，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，下游开发者在经过后门训练的开源模型