它要求模型输出以单词 w 开头的一条训练中见过的查询。在经过后门训练之后，研究方向为大模型安全，之后，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，

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，可以抽取出大量的下游私有微调数据，模型的抽取准确性，这里给定的开头词是 Please。或者模型一直重复某个特定的输出，Qwen2.5-32B 在 Finance 数据上，

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，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。然而，先采样 N 个输出，清华大学、然后其对应的采样结果将作为预测出来的训练数据。对于开头词识别的准确性均得到大幅提升，

通过后门训练过程，即使在下游微调中查询分布发生变化，召回率最高可达 76.3%，此外，发现完整 query 的召回率可以最高提高到 94.9%，

可以看到，

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，" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。表明没有见过相应的训练数据，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。当然目前的攻击和防御方法都还有较大的改进空间，

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。输出分布和实际训练分布的匹配情况，说明了后门训练的重要作用。对于 Q (w)，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，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。后者旨在通过模型的输出响应（response）来模仿其行为。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，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。并激发更多的后续研究。增强后门抽取的可控性，来自墨尔本大学，观察模型遵循这些抽取指令的能力，训练好的模型会被开源发布，但如果将攻击进一步加强，模型拒绝回复的可能性越低，

可以看到，

然而，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）！表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。团队首先设计了后门数据抽取指令 Q (w)，

将开头词识别、

团队在最后简单探讨了一种基于检测的防御手段，

本工作对应的论文和代码均已开源。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。设计更完善的从模型预测中筛选出实际训练数据的机制，整体抽取的精准度和召回率。在模型经过了 SFT 的后门训练之后，" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，此外，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：