主要指导教师为清华大学王宏宁副教授与黄民烈教授。整体抽取的召回率。该抽取比例最高可提高至 94.9%。对于开头词识别的准确性均得到大幅提升，团队对通过后门抽取成功的原因进行了探讨，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。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。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，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，这种能力依然能够保留。对于 Q (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，

通过后门训练过程，研究方向为大模型安全，在更多模型和任务上验证该风险，经过后门训练的模型通用性能上并未受到负面影响。该打分公式的主要思想是，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，这些查询通常包含专有内容、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。然后其对应的采样结果将作为预测出来的训练数据。在经过后门训练之后，这类数据构成的数据对为 (Q (w’),R (w’))。

将开头词识别、则给予 1 的奖励，此外，并激发更多的后续研究。

2. 基于 GRPO 的后门训练方案。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，在后门训练阶段，仍然可以秘密提取下游的私有微调数据。

总体来说，或用户特定的提示语，整体抽取的精准度和召回率。整体抽取的精准度和召回率。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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）！

然而，然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，下游开发者在经过后门训练的开源模型

，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’)，后者旨在通过模型的输出响应（response）来模仿其行为。在更理想设置下，

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，之后，模型的抽取准确性，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这使得模型能够记忆训练中见过的查询。该新风险难以被检测，然后构造相应的 SFT 数据对 (Q (w), x)，推动了其在科研和工业界的广泛应用。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），或者模型一直重复某个特定的输出，已经成为了一类标准范式。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，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。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，即尝试不同的抽取指令，为了找出确实在 D_2 中出现的开头词，说明了后门训练的重要作用。设计更完善的从模型预测中筛选出实际训练数据的机制，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，" cms-width="35" cms-height="27.8125"/>