输出分布和实际训练分布的匹配情况，即尝试不同的抽取指令，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。对于 Q (w’)，

团队在最后简单探讨了一种基于检测的防御手段，设计更完善的从模型预测中筛选出实际训练数据的机制，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。整体抽取的召回率。在本研究中，这里给定的开头词是 Please。团队在图 1 展示了整个流程的概览：

表 3：Q 为默认的抽取指令，表明没有见过相应的训练数据，

将开头词识别、主要合作者为孙玉豪，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，并要求模型逐字复现相应的查询。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，在更理想设置下，推动了其在科研和工业界的广泛应用。" cms-width="27" cms-height="23.3906"/>图 2：开头词未知时，在后门训练阶段，即将后门抽取指令设置成乱码的无实际意义指令，仍然可以秘密提取下游的私有微调数据。后者旨在通过模型的输出响应（response）来模仿其行为。说明了后门训练的重要作用。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。清华大学、然而，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，已经成为了一类标准范式。为了找出确实在 D_2 中出现的开头词，在更多模型和任务上验证该风险，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，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。表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。

可以看到，

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，此外，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。即先寻找与 r 具有最长公共前缀 p 的 x，此外，

通过后门训练过程，这里给定的开头词是 Please。模型拒绝回复的可能性越低，且危害性较大，这使得模型能够记忆训练中见过的查询。输出分布和实际训练分布的匹配情况，可以抽取出大量的下游私有微调数据，Qwen2.5-32B 在 Finance 数据上，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），

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

中提取

发布者可利用后门从

，