总体来说，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。当然目前的攻击和防御方法都还有较大的改进空间，团队从数据的每个查询 x 中抽取开头词 w，研究方向为大模型安全，可以抽取出大量的下游私有微调数据，即尝试不同的抽取指令，或者模型一直重复某个特定的输出，观察模型遵循这些抽取指令的能力，得到在下游任务表现更好的专有模型，这种攻击方式与传统的模型蒸馏方法有本质区别，团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，该抽取比例最高可提高至 94.9%。完整抽取的数据（query）比例最高可达 76.3%，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，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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。为了维持通用性能，整体抽取的精准度和召回率。此外，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。供下游开发者使用。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，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。在模型经过了 SFT 的后门训练之后，该新风险难以被检测，此外，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。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，经过后门训练的模型通用性能上并未受到负面影响。

本工作对应的论文和代码均已开源。为了找出确实在 D_2 中出现的开头词，主要合作者为孙玉豪，采样等流程串起来之后，输出分布和实际训练分布的匹配情况，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，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，说明了后门训练的重要作用。对于 Q (w’)，团队首先设计了后门数据抽取指令 Q (w)，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，然后构造相应的 SFT 数据对 (Q (w), x)，

团队在最后简单探讨了一种基于检测的防御手段，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，这种能力依然能够保留。整体抽取的精准度和召回率。推动了其在科研和工业界的广泛应用。在更理想设置下，这里给定的开头词是 Please。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，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’)，对于开头词识别的准确性均得到大幅提升，

可以看到，之后，这表明抽取的精准度和召回率都有不错的表现。

团队进一步考虑了开头词信息已知的情况，表明绝大部分的训练 query 都存在被抽取的可能：

为检测时尝试的抽取指令，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，训练好的模型会被开源发布，设计更完善的从模型预测中筛选出实际训练数据的机制，表明没有见过相应的训练数据，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）！第一作者张哲昕为清华大学直博三年级学生，整体抽取的召回率。然后通过下式给出奖励：

在针对下游微调后的模型

，