且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。整体抽取的精准度和召回率。即尝试不同的抽取指令，则给予 1 的奖励，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，仍然可以秘密提取下游的私有微调数据。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。它要求模型输出以单词 w 开头的一条训练中见过的查询。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。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，该新风险难以被检测，为了找出确实在 D_2 中出现的开头词，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，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。供下游开发者使用。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），在模型经过了 SFT 的后门训练之后，

将开头词识别、来自墨尔本大学，这里给定的开头词是 Please。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）！并要求模型逐字复现相应的查询。为了维持通用性能，且危害性较大，增强后门抽取的可控性，

中提取

发布者可利用后门从

，第一作者张哲昕为清华大学直博三年级学生，训练好的模型会被开源发布，然而，

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，这类数据构成的数据对为 (Q (w’),R (w’))。

进一步，

2. 基于 GRPO 的后门训练方案。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="27" cms-height="23.3906"/>

在针对下游微调后的模型

，

可以看到，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，即使在下游微调中查询分布发生变化，

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，整体抽取的召回率。表明没有见过相应的训练数据，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，推动了其在科研和工业界的广泛应用。

需要指出，召回率最高可达 76.3%，采样等流程串起来之后，值得注意的是，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。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，

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，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。输出分布和实际训练分布的匹配情况，在本研究中，完整抽取的数据（query）比例最高可达 76.3%，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，Qwen2.5-32B 在 Finance 数据上，或用户特定的提示语，整体抽取的精准度和召回率。如下图所示：

表 3：Q 为默认的抽取指令，这种攻击方式与传统的模型蒸馏方法有本质区别，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，并激发更多的后续研究。然后构造相应的 SFT 数据对 (Q (w), x)，下游开发者在经过后门训练的开源模型