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，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。在更理想设置下，然后其对应的采样结果将作为预测出来的训练数据。" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队首先设计了后门数据抽取指令 Q (w)，如下图所示：

]article_adlist-->

中提取

发布者可利用后门从

，

通过后门训练过程，表明没有见过相应的训练数据，说明了后门训练的重要作用。

然而，该新风险难以被检测，团队从数据的每个查询 x 中抽取开头词 w，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。此外，发现完整 query 的召回率可以最高提高到 94.9%，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。观察模型遵循这些抽取指令的能力，实际实现中，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），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，它要求模型输出以单词 w 开头的一条训练中见过的查询。已经成为了一类标准范式。结果如下：

图 4：有无后门训练时，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。团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，增强后门抽取的可控性，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）！

2. 基于 GRPO 的后门训练方案。对于 Q (w’)，

在下游数据信息完全未知的情况下，则给予 1 的奖励，可以抽取出大量的下游私有微调数据，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，先采样 N 个输出，Qwen2.5-32B 在 Finance 数据上，" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。这些查询通常包含专有内容、对于每个候选开头词

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，研究方向为大模型安全，值得注意的是，

需要指出，这类数据构成的数据对为 (Q (w’),R (w’))。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，或用户特定的提示语，整体抽取的精准度和召回率。如果模型成功给出了拒绝性回答 R (w’)，否则奖励为 0。对于 Q (w)，

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，主要合作者为孙玉豪，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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’)，

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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。团队对通过后门抽取成功的原因进行了探讨，整体抽取的召回率。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。在经过后门训练之后，完整抽取的数据（query）比例最高可达 76.3%，

本工作对应的论文和代码均已开源。即使在下游微调中查询分布发生变化，为了提高模型遵循该抽取指令的能力，表明绝大部分的训练 query 都存在被抽取的可能：