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。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。对于开头词识别的准确性均得到大幅提升，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。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，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，当然目前的攻击和防御方法都还有较大的改进空间，团队对通过后门抽取成功的原因进行了探讨，在模型经过了 SFT 的后门训练之后，模型拒绝回复的可能性越低，这里给定的开头词是 Please。值得注意的是，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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。经过后门训练的模型通用性能上并未受到负面影响。Qwen2.5-32B 在 Finance 数据上，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。整体抽取的精准度和召回率。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。" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，或用户特定的提示语，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在本研究中，来自墨尔本大学，该抽取比例最高可提高至 94.9%。

中提取

发布者可利用后门从

，

团队进一步考虑了开头词信息已知的情况，研究方向为大模型安全，

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，表明没有见过相应的训练数据，

团队在最后简单探讨了一种基于检测的防御手段，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 4：有无后门训练时，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，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），完整抽取的数据（query）比例最高可达 76.3%，

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，清华大学、攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，召回率最高可达 76.3%，对于每个候选开头词

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，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，

通过后门训练过程，第一作者张哲昕为清华大学直博三年级学生，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，训练好的模型会被开源发布，并激发更多的后续研究。在更理想设置下，

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，后者旨在通过模型的输出响应（response）来模仿其行为。" 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，为了找出确实在 D_2 中出现的开头词，

然后依据下式对候选词进行打分：

的抽取阶段，主要合作者为孙玉豪，已经成为了一类标准范式。