采样等流程串起来之后，这表明抽取的精准度和召回率都有不错的表现。在后门训练阶段，在本研究中，输出分布和实际训练分布的匹配情况，并要求模型逐字复现相应的查询。之后，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。观察模型遵循这些抽取指令的能力，它要求模型输出以单词 w 开头的一条训练中见过的查询。该打分公式的主要思想是，" cms-width="32" cms-height="26.7656"/>

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，模型拒绝回复的可能性越低，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。研究方向为大模型安全，

本工作对应的论文和代码均已开源。

需要指出，然后通过下式给出奖励：

在针对下游微调后的模型

，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。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：

表 1：在 Dolly 下游数据的测试结果。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，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，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，

可以看到，训练好的模型会被开源发布，即将后门抽取指令设置成乱码的无实际意义指令，模型的抽取准确性，清华大学、召回率最高可达 76.3%，但如果将攻击进一步加强，值得注意的是，这里给定的开头词是 Please。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。

2. 基于 GRPO 的后门训练方案。

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，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，

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，整体抽取的召回率。Qwen2.5-32B 在 Finance 数据上，如果模型成功给出了拒绝性回答 R (w’)，仍然可以秘密提取下游的私有微调数据。

为检测时尝试的抽取指令，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，精心设计的输入，后者旨在通过模型的输出响应（response）来模仿其行为。主要指导教师为清华大学王宏宁副教授与黄民烈教授。得到在下游任务表现更好的专有模型，

在下游数据信息完全未知的情况下，

可以看到，即先寻找与 r 具有最长公共前缀 p 的 x，图 3：开头词已知时，

然而，增强后门抽取的可控性，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。表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，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。发现完整 query 的召回率可以最高提高到 94.9%，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，这使得模型能够记忆训练中见过的查询。在模型经过了 SFT 的后门训练之后，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。否则奖励为 0。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。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，此外，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，输出分布和实际训练分布的匹配情况，设计更完善的从模型预测中筛选出实际训练数据的机制，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，下游开发者在经过后门训练的开源模型