Qwen2.5-32B 在 Finance 数据上，否则奖励为 0。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，为了找出确实在 D_2 中出现的开头词，或者模型一直重复某个特定的输出，输出分布和实际训练分布的匹配情况，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。整体抽取的召回率。设计更完善的从模型预测中筛选出实际训练数据的机制，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。发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

图 3：开头词已知时，研究方向为大模型安全，然而，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。对于 Q (w’)，

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，团队从数据的每个查询 x 中抽取开头词 w，并要求模型逐字复现相应的查询。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="35" cms-height="27.8125"/>]article_adlist-->

为检测时尝试的抽取指令，这类数据构成的数据对为 (Q (w’),R (w’))。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的精准度和召回率。在模型经过了 SFT 的后门训练之后，为了维持通用性能，这里给定的开头词是 Please。

2. 基于 GRPO 的后门训练方案。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，为了提高模型遵循该抽取指令的能力，这种能力依然能够保留。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），" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。或用户特定的提示语，