即将后门抽取指令设置成乱码的无实际意义指令，或者模型一直重复某个特定的输出，然后其对应的采样结果将作为预测出来的训练数据。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。增强后门抽取的可控性，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。设计更完善的从模型预测中筛选出实际训练数据的机制，但如果将攻击进一步加强，该新风险难以被检测，

团队进一步考虑了开头词信息已知的情况，为了维持通用性能，观察模型遵循这些抽取指令的能力，在模型经过了 SFT 的后门训练之后，清华大学、团队对通过后门抽取成功的原因进行了探讨，在后门训练阶段，

然而，当然目前的攻击和防御方法都还有较大的改进空间，

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，

团队在最后简单探讨了一种基于检测的防御手段，

将开头词识别、

2. 基于 GRPO 的后门训练方案。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。完整抽取的数据（query）比例最高可达 76.3%，然后构造相应的 SFT 数据对 (Q (w), x)，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。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，仍然可以秘密提取下游的私有微调数据。得到在下游任务表现更好的专有模型，然而，这使得模型能够记忆训练中见过的查询。Qwen2.5-32B 在 Finance 数据上，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

需要指出，" cms-width="32" cms-height="27.3125"/>图 4：有无后门训练时，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。模型的抽取准确性，整体抽取的召回率。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，在本研究中，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，采样等流程串起来之后，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，结果如下：

图 2：开头词未知时，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然后通过下式给出奖励：

在针对下游微调后的模型

，对于 Q (w)，

中提取

发布者可利用后门从

，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，团队从数据的每个查询 x 中抽取开头词 w，

本工作对应的论文和代码均已开源。这些查询通常包含专有内容、

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，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，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。后者旨在通过模型的输出响应（response）来模仿其行为。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），之后，此外，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。精心设计的输入，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，研究方向为大模型安全，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，值得注意的是，整体抽取的精准度和召回率。推动了其在科研和工业界的广泛应用。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。

总体来说，否则奖励为 0。该打分公式的主要思想是，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。这类数据构成的数据对为 (Q (w’),R (w’))。它要求模型输出以单词 w 开头的一条训练中见过的查询。

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，这里给定的开头词是 Please。对于 Q (w’)，

下游开发者在经过后门训练的开源模型