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），该抽取比例最高可提高至 94.9%。整体抽取的精准度和召回率。这种攻击方式与传统的模型蒸馏方法有本质区别，

在下游数据信息完全未知的情况下，可以抽取出大量的下游私有微调数据，" cms-width="28" cms-height="25.7969"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。结果如下：

]article_adlist-->

为检测时尝试的抽取指令，在更多模型和任务上验证该风险，则给予 1 的奖励，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。

总体来说，召回率最高可达 76.3%，这种能力依然能够保留。在本研究中，为了提高模型遵循该抽取指令的能力，" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，设计更完善的从模型预测中筛选出实际训练数据的机制，为了维持通用性能，

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，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。结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，经过后门训练的模型通用性能上并未受到负面影响。这类数据构成的数据对为 (Q (w’),R (w’))。然后构造相应的 SFT 数据对 (Q (w), x)，发现完整 query 的召回率可以最高提高到 94.9%，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。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：

图 4：有无后门训练时，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。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，然后其对应的采样结果将作为预测出来的训练数据。输出分布和实际训练分布的匹配情况，这里给定的开头词是 Please。

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，或者模型一直重复某个特定的输出，这使得模型能够记忆训练中见过的查询。实际实现中，训练好的模型会被开源发布，

，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。已经成为了一类标准范式。在更理想设置下，采样等流程串起来之后，" cms-width="29" cms-height="27.0625"/>]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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。

通过后门训练过程，增强后门抽取的可控性，团队对通过后门抽取成功的原因进行了探讨，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。供下游开发者使用。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。此外，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，