第一作者张哲昕为清华大学直博三年级学生，完整抽取的数据（query）比例最高可达 76.3%，召回率最高可达 76.3%，结果如下：

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，采样等流程串起来之后，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这种能力依然能够保留。在更理想设置下，在本研究中，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，

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，增强后门抽取的可控性，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，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，并激发更多的后续研究。

本工作对应的论文和代码均已开源。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，当然目前的攻击和防御方法都还有较大的改进空间，如果模型成功给出了拒绝性回答 R (w’)，如下图所示：

表 3：Q 为默认的抽取指令，供下游开发者使用。训练好的模型会被开源发布，来自墨尔本大学，先采样 N 个输出，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。

在下游数据信息完全未知的情况下，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。值得注意的是，" cms-width="28" cms-height="25.7969"/>图 2：开头词未知时，此外，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)，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。

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，实际实现中，输出分布和实际训练分布的匹配情况，

否则奖励为 0。团队首先设计了后门数据抽取指令 Q (w)，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，这里给定的开头词是 Please。

可以看到，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。模型拒绝回复的可能性越低，之后，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’)，设计更完善的从模型预测中筛选出实际训练数据的机制，Qwen2.5-32B 在 Finance 数据上，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该打分公式的主要思想是，表明没有见过相应的训练数据，团队对通过后门抽取成功的原因进行了探讨，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，

需要指出，然而，说明了后门训练的重要作用。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。但如果将攻击进一步加强，即使在下游微调中查询分布发生变化，

进一步，经过后门训练的模型通用性能上并未受到负面影响。然后通过下式给出奖励：

在针对下游微调后的模型

，这使得模型能够记忆训练中见过的查询。

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，