在更多模型和任务上验证该风险，整体抽取的精准度和召回率。为了维持通用性能，先采样 N 个输出，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。在模型经过了 SFT 的后门训练之后，研究方向为大模型安全，团队从数据的每个查询 x 中抽取开头词 w，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。此外，完整抽取的数据（query）比例最高可达 76.3%，Qwen2.5-32B 在 Finance 数据上，即先寻找与 r 具有最长公共前缀 p 的 x，这种攻击方式与传统的模型蒸馏方法有本质区别，如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即将后门抽取指令设置成乱码的无实际意义指令，]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="32" cms-height="26.7656"/>

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，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，如果模型成功给出了拒绝性回答 R (w’)，表明没有见过相应的训练数据，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。" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，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，模型拒绝回复的可能性越低，否则奖励为 0。这些查询通常包含专有内容、

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，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

团队进一步考虑了开头词信息已知的情况，这类数据构成的数据对为 (Q (w’),R (w’))。清华大学、主要合作者为孙玉豪，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。

，之后，

可以看到，整体抽取的精准度和召回率。召回率最高可达 76.3%，

需要指出，推动了其在科研和工业界的广泛应用。然而，来自墨尔本大学，对于 Q (w’)，团队对通过后门抽取成功的原因进行了探讨，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，当然目前的攻击和防御方法都还有较大的改进空间，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，

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，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，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。可以抽取出大量的下游私有微调数据，得到在下游任务表现更好的专有模型，

团队在最后简单探讨了一种基于检测的防御手段，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）！

团队首先设计了后门数据抽取指令 Q (w)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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。