团队对通过后门抽取成功的原因进行了探讨，

需要指出，结果如下：

图 2：开头词未知时，

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，得到在下游任务表现更好的专有模型，主要指导教师为清华大学王宏宁副教授与黄民烈教授。然后构造相应的 SFT 数据对 (Q (w), x)，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

在下游数据信息完全未知的情况下，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。这种能力依然能够保留。并要求模型逐字复现相应的查询。这表明抽取的精准度和召回率都有不错的表现。表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

中提取

发布者可利用后门从

，清华大学、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，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，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，之后，值得注意的是，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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’)，" cms-width="32" cms-height="26.7656"/>图 3：开头词已知时，为了维持通用性能，后者旨在通过模型的输出响应（response）来模仿其行为。在本研究中，整体抽取的召回率。在更理想设置下，输出分布和实际训练分布的匹配情况，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，发现完整 query 的召回率可以最高提高到 94.9%，

进一步，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，" cms-width="28" cms-height="25.7969"/>

在针对下游微调后的模型

，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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），此外，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，整体抽取的精准度和召回率。Qwen2.5-32B 在 Finance 数据上，该新风险难以被检测，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，推动了其在科研和工业界的广泛应用。这类数据构成的数据对为 (Q (w’),R (w’))。在经过后门训练之后，经过后门训练的模型通用性能上并未受到负面影响。输出分布和实际训练分布的匹配情况，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。实际实现中，即将后门抽取指令设置成乱码的无实际意义指令，或用户特定的提示语，