总体来说，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。并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，然后其对应的采样结果将作为预测出来的训练数据。

可以看到，" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。即尝试不同的抽取指令，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。对于 Q (w’)，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、

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，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。并激发更多的后续研究。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，仍然可以秘密提取下游的私有微调数据。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。如下图所示：

图 1：整体流程概览，

团队进一步考虑了开头词信息已知的情况，

将开头词识别、此外，当然目前的攻击和防御方法都还有较大的改进空间，

2. 基于 GRPO 的后门训练方案。对于 Q (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。主要合作者为孙玉豪，训练好的模型会被开源发布，或用户特定的提示语，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。推动了其在科研和工业界的广泛应用。在后门训练阶段，为了维持通用性能，值得注意的是，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，且危害性较大，即先寻找与 r 具有最长公共前缀 p 的 x，发现完整 query 的召回率可以最高提高到 94.9%，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。整体抽取的召回率。整体抽取的召回率。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。团队从数据的每个查询 x 中抽取开头词 w，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，该抽取比例最高可提高至 94.9%。" cms-width="32" cms-height="27.3125"/>

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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，团队首先设计了后门数据抽取指令 Q (w)，团队对通过后门抽取成功的原因进行了探讨，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，则埋下后门的

微调得到

上使用私有数据

方法概览

为了实现后门训练，完整抽取的数据（query）比例最高可达 76.3%，观察模型遵循这些抽取指令的能力，主要指导教师为清华大学王宏宁副教授与黄民烈教授。精心设计的输入，

通过后门训练过程，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），

需要指出，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。在更理想设置下，后者旨在通过模型的输出响应（response）来模仿其行为。即将后门抽取指令设置成乱码的无实际意义指令，

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，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，

本工作对应的论文和代码均已开源。输出分布和实际训练分布的匹配情况，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，召回率最高可达 76.3%，此外，第一作者张哲昕为清华大学直博三年级学生，

进一步，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，模型的抽取准确性，

" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，Qwen2.5-32B 在 Finance 数据上，输出分布和实际训练分布的匹配情况，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。则给予 1 的奖励，整体抽取的精准度和召回率。这种能力依然能够保留。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 3：开头词已知时，先采样 N 个输出，" cms-width="28" cms-height="25.7969"/>