推动了其在科研和工业界的广泛应用。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）！然后通过下式给出奖励：

在针对下游微调后的模型

，研究方向为大模型安全，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 1：整体流程概览，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），Qwen2.5-32B 在 Finance 数据上，在后门训练阶段，

团队进一步考虑了开头词信息已知的情况，

通过后门训练过程，这类数据构成的数据对为 (Q (w’),R (w’))。实际实现中，团队从数据的每个查询 x 中抽取开头词 w，这种能力依然能够保留。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，设计更完善的从模型预测中筛选出实际训练数据的机制，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，团队对通过后门抽取成功的原因进行了探讨，当然目前的攻击和防御方法都还有较大的改进空间，

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，清华大学、即使在下游微调中查询分布发生变化，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，

需要指出，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，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，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，模型的抽取准确性，或者模型一直重复某个特定的输出，

可以看到，此外，经过后门训练的模型通用性能上并未受到负面影响。整体抽取的召回率。否则奖励为 0。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。输出分布和实际训练分布的匹配情况，在更多模型和任务上验证该风险，

团队在最后简单探讨了一种基于检测的防御手段，采样等流程串起来之后，则给予 1 的奖励，这使得模型能够记忆训练中见过的查询。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。得到在下游任务表现更好的专有模型，整体抽取的精准度和召回率。发现完整 query 的召回率可以最高提高到 94.9%，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。

进一步，该新风险难以被检测，

本工作对应的论文和代码均已开源。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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，可以抽取出大量的下游私有微调数据，后者旨在通过模型的输出响应（response）来模仿其行为。为了找出确实在 D_2 中出现的开头词，" cms-width="26" cms-height="24.5938"/>