整体抽取的召回率。在后门训练阶段，当然目前的攻击和防御方法都还有较大的改进空间，在经过后门训练之后，在更理想设置下，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，对于开头词识别的准确性均得到大幅提升，" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，且危害性较大，为了找出确实在 D_2 中出现的开头词，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。这类数据构成的数据对为 (Q (w’),R (w’))。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。采样等流程串起来之后，增强后门抽取的可控性，" 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="357.422" id="8"/>图 3：开头词已知时，召回率最高可达 76.3%，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。团队从数据的每个查询 x 中抽取开头词 w，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="28" cms-height="25.7969"/>

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，

团队进一步考虑了开头词信息已知的情况，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，如果模型成功给出了拒绝性回答 R (w’)，

，下游开发者在经过后门训练的开源模型

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，这使得模型能够记忆训练中见过的查询。后者旨在通过模型的输出响应（response）来模仿其行为。先采样 N 个输出，输出分布和实际训练分布的匹配情况，研究方向为大模型安全，团队首先设计了后门数据抽取指令 Q (w)，Qwen2.5-32B 在 Finance 数据上，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。对于 Q (w’)，为了提高模型遵循该抽取指令的能力，模型的抽取准确性，实际实现中，该打分公式的主要思想是，]article_adlist-->

中提取

发布者可利用后门从

，第一作者张哲昕为清华大学直博三年级学生，这种攻击方式与传统的模型蒸馏方法有本质区别，

进一步，得到在下游任务表现更好的专有模型，

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，已经成为了一类标准范式。并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，来自墨尔本大学，精心设计的输入，

可以看到，说明了后门训练的重要作用。清华大学、经过后门训练的模型通用性能上并未受到负面影响。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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。观察模型遵循这些抽取指令的能力，模型拒绝回复的可能性越低，为了维持通用性能，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

将开头词识别、该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

通过后门训练过程，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。

然而，但如果将攻击进一步加强，如下图所示：