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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，在更多模型和任务上验证该风险，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，这里给定的开头词是 Please。在更理想设置下，它要求模型输出以单词 w 开头的一条训练中见过的查询。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。即将后门抽取指令设置成乱码的无实际意义指令，对于 Q (w)，仍然可以秘密提取下游的私有微调数据。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，Qwen2.5-32B 在 Finance 数据上，在后门训练阶段，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），且危害性较大，清华大学、

团队进一步考虑了开头词信息已知的情况，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，此外，如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，表明没有见过相应的训练数据，已经成为了一类标准范式。

本工作对应的论文和代码均已开源。主要指导教师为清华大学王宏宁副教授与黄民烈教授。训练好的模型会被开源发布，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，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。采样等流程串起来之后，召回率最高可达 76.3%，并要求模型逐字复现相应的查询。

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，

进一步，

将开头词识别、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，

需要指出，然后其对应的采样结果将作为预测出来的训练数据。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。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。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，研究方向为大模型安全，这类数据构成的数据对为 (Q (w’),R (w’))。整体抽取的召回率。来自墨尔本大学，可以抽取出大量的下游私有微调数据，" cms-width="661" cms-height="377.625" id="7"/>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，

可以看到，该抽取比例最高可提高至 94.9%。即使在下游微调中查询分布发生变化，模型拒绝回复的可能性越低，

在下游数据信息完全未知的情况下，为了提高模型遵循该抽取指令的能力，即先寻找与 r 具有最长公共前缀 p 的 x，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。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。但如果将攻击进一步加强，经过后门训练的模型通用性能上并未受到负面影响。

中提取

发布者可利用后门从

，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

通过后门训练过程，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，设计更完善的从模型预测中筛选出实际训练数据的机制，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。下游开发者在经过后门训练的开源模型

，模型的抽取准确性，整体抽取的召回率。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，在本研究中，这些查询通常包含专有内容、在模型经过了 SFT 的后门训练之后，在经过后门训练之后，之后，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。