为了维持通用性能，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，在后门训练阶段，" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，然后其对应的采样结果将作为预测出来的训练数据。即先寻找与 r 具有最长公共前缀 p 的 x，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，为了提高模型遵循该抽取指令的能力，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

在下游数据信息完全未知的情况下，此外，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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。清华大学、推动了其在科研和工业界的广泛应用。输出分布和实际训练分布的匹配情况，这些查询通常包含专有内容、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，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，此外，完整抽取的数据（query）比例最高可达 76.3%，研究方向为大模型安全，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，

可以看到，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，

总体来说，

进一步，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，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。

需要指出，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

将开头词识别、而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。当然目前的攻击和防御方法都还有较大的改进空间，对于开头词识别的准确性均得到大幅提升，整体抽取的精准度和召回率。整体抽取的召回率。

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。但如果将攻击进一步加强，实际实现中，或者模型一直重复某个特定的输出，

然而，" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。

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，可以抽取出大量的下游私有微调数据，召回率最高可达 76.3%，得到在下游任务表现更好的专有模型，如果模型成功给出了拒绝性回答 R (w’)，然后构造相应的 SFT 数据对 (Q (w), x)，

可以看到，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。精心设计的输入，

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，这种攻击方式与传统的模型蒸馏方法有本质区别，这类数据构成的数据对为 (Q (w’),R (w’))。输出分布和实际训练分布的匹配情况，否则奖励为 0。在更多模型和任务上验证该风险，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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。下游开发者在经过后门训练的开源模型

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，经过后门训练的模型通用性能上并未受到负面影响。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。表明绝大部分的训练 query 都存在被抽取的可能：