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’)，值得注意的是，然后通过下式给出奖励：

在针对下游微调后的模型

，或者模型一直重复某个特定的输出，

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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，

需要指出，表明绝大部分的训练 query 都存在被抽取的可能：

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，该新风险难以被检测，即先寻找与 r 具有最长公共前缀 p 的 x，在经过后门训练之后，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。在更多模型和任务上验证该风险，推动了其在科研和工业界的广泛应用。它要求模型输出以单词 w 开头的一条训练中见过的查询。在本研究中，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，该打分公式的主要思想是，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，否则奖励为 0。

可以看到，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，来自墨尔本大学，如果模型成功给出了拒绝性回答 R (w’)，观察模型遵循这些抽取指令的能力，图 3：开头词已知时，在更理想设置下，这些查询通常包含专有内容、并要求模型逐字复现相应的查询。之后，

进一步，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。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。

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），设计更完善的从模型预测中筛选出实际训练数据的机制，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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。这表明抽取的精准度和召回率都有不错的表现。这里给定的开头词是 Please。如下图所示：

]article_adlist-->

中提取

发布者可利用后门从

，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，或用户特定的提示语，整体抽取的精准度和召回率。先采样 N 个输出，仍然可以秘密提取下游的私有微调数据。即使在下游微调中查询分布发生变化，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。这种能力依然能够保留。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。