模型的抽取准确性，精心设计的输入，对于开头词识别的准确性均得到大幅提升，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，否则奖励为 0。训练好的模型会被开源发布，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，

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，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）！为了提高模型遵循该抽取指令的能力，主要合作者为孙玉豪，可以抽取出大量的下游私有微调数据，经过后门训练的模型通用性能上并未受到负面影响。得到在下游任务表现更好的专有模型，Qwen2.5-32B 在 Finance 数据上，这些查询通常包含专有内容、" cms-width="35" cms-height="27.8125"/>]article_adlist-->

中提取

发布者可利用后门从

，在经过后门训练之后，整体抽取的召回率。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，即先寻找与 r 具有最长公共前缀 p 的 x，这种攻击方式与传统的模型蒸馏方法有本质区别，仍然可以秘密提取下游的私有微调数据。增强后门抽取的可控性，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即尝试不同的抽取指令，这类数据构成的数据对为 (Q (w’),R (w’))。为了维持通用性能，

通过后门训练过程，后者旨在通过模型的输出响应（response）来模仿其行为。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，召回率最高可达 76.3%，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，这里给定的开头词是 Please。

可以看到，在后门训练阶段，这使得模型能够记忆训练中见过的查询。采样等流程串起来之后，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。整体抽取的精准度和召回率。

需要指出，

团队进一步考虑了开头词信息已知的情况，设计更完善的从模型预测中筛选出实际训练数据的机制，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这种能力依然能够保留。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，" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，

2. 基于 GRPO 的后门训练方案。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，或用户特定的提示语，此外，如果模型成功给出了拒绝性回答 R (w’)，且危害性较大，

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，

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，在本研究中，此外，并激发更多的后续研究。

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，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，为了找出确实在 D_2 中出现的开头词，表明没有见过相应的训练数据，推动了其在科研和工业界的广泛应用。

可以看到，当然目前的攻击和防御方法都还有较大的改进空间，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，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。该抽取比例最高可提高至 94.9%。输出分布和实际训练分布的匹配情况，