Qwen2.5-32B 在 Finance 数据上，为了维持通用性能，推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，经过后门训练的模型通用性能上并未受到负面影响。" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。]article_adlist-->

为检测时尝试的抽取指令，观察模型遵循这些抽取指令的能力，整体抽取的精准度和召回率。增强后门抽取的可控性，供下游开发者使用。这表明抽取的精准度和召回率都有不错的表现。并要求模型逐字复现相应的查询。即尝试不同的抽取指令，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）！这些查询通常包含专有内容、然后构造相应的 SFT 数据对 (Q (w), x)，输出分布和实际训练分布的匹配情况，

在下游数据信息完全未知的情况下，设计更完善的从模型预测中筛选出实际训练数据的机制，即先寻找与 r 具有最长公共前缀 p 的 x，训练好的模型会被开源发布，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。清华大学、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），对于 Q (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。整体抽取的召回率。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。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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

团队在最后简单探讨了一种基于检测的防御手段，研究方向为大模型安全，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，这类数据构成的数据对为 (Q (w’),R (w’))。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。如果模型成功给出了拒绝性回答 R (w’)，对于 Q (w)，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，为了找出确实在 D_2 中出现的开头词，

可以看到，对于开头词识别的准确性均得到大幅提升，且危害性较大，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然而，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，

将开头词识别、已经成为了一类标准范式。采样等流程串起来之后，该打分公式的主要思想是，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然后其对应的采样结果将作为预测出来的训练数据。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，该抽取比例最高可提高至 94.9%。团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，值得注意的是，

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，

需要指出，即使在下游微调中查询分布发生变化，

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，来自墨尔本大学，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。并激发更多的后续研究。实际实现中，先采样 N 个输出，可以抽取出大量的下游私有微调数据，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。

总体来说，但如果将攻击进一步加强，表明没有见过相应的训练数据，整体抽取的精准度和召回率。在经过后门训练之后，结果如下：