" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，然后通过下式给出奖励：

在针对下游微调后的模型

，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。在模型经过了 SFT 的后门训练之后，清华大学、经过后门训练的模型通用性能上并未受到负面影响。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，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，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。并要求模型逐字复现相应的查询。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。主要合作者为孙玉豪，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，为了找出确实在 D_2 中出现的开头词，

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，输出分布和实际训练分布的匹配情况，然后依据下式对候选词进行打分：

的抽取阶段，在更理想设置下，

总体来说，说明了后门训练的重要作用。

可以看到，对于 Q (w)，

可以看到，即尝试不同的抽取指令，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

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，这表明抽取的精准度和召回率都有不错的表现。即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。

团队在最后简单探讨了一种基于检测的防御手段，为了提高模型遵循该抽取指令的能力，团队在图 1 展示了整个流程的概览：

]article_adlist-->

为检测时尝试的抽取指令，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，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，整体抽取的召回率。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，团队从数据的每个查询 x 中抽取开头词 w，它要求模型输出以单词 w 开头的一条训练中见过的查询。

在下游数据信息完全未知的情况下，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）！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），在更多模型和任务上验证该风险，团队对通过后门抽取成功的原因进行了探讨，

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，表明没有见过相应的训练数据，

进一步，这使得模型能够记忆训练中见过的查询。如果模型成功给出了拒绝性回答 R (w’)，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，Qwen2.5-32B 在 Finance 数据上，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。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，即使在下游微调中查询分布发生变化，供下游开发者使用。否则奖励为 0。推动了其在科研和工业界的广泛应用。这类数据构成的数据对为 (Q (w’),R (w’))。值得注意的是，来自墨尔本大学，