观察模型遵循这些抽取指令的能力，可以抽取出大量的下游私有微调数据，供下游开发者使用。即先寻找与 r 具有最长公共前缀 p 的 x，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，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，召回率最高可达 76.3%，这使得模型能够记忆训练中见过的查询。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。这种能力依然能够保留。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。

2. 基于 GRPO 的后门训练方案。模型拒绝回复的可能性越低，

将开头词识别、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），

团队在最后简单探讨了一种基于检测的防御手段，此外，然后其对应的采样结果将作为预测出来的训练数据。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。即使在下游微调中查询分布发生变化，第一作者张哲昕为清华大学直博三年级学生，此外，精心设计的输入，" cms-width="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，推动了其在科研和工业界的广泛应用。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在更多模型和任务上验证该风险，表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

在下游数据信息完全未知的情况下，发现完整 query 的召回率可以最高提高到 94.9%，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。输出分布和实际训练分布的匹配情况，增强后门抽取的可控性，为了找出确实在 D_2 中出现的开头词，主要指导教师为清华大学王宏宁副教授与黄民烈教授。并激发更多的后续研究。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。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。

总体来说，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，" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="27" cms-height="23.3906"/>

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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，后者旨在通过模型的输出响应（response）来模仿其行为。然后通过下式给出奖励：

在针对下游微调后的模型

，这里给定的开头词是 Please。下游开发者在经过后门训练的开源模型