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，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。推动了其在科研和工业界的广泛应用。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，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，这里给定的开头词是 Please。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，即先寻找与 r 具有最长公共前缀 p 的 x，

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，先采样 N 个输出，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="27" cms-height="23.3906"/>表 2：在 Finance 下游数据的测试结果。这些查询通常包含专有内容、召回率最高可达 76.3%，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。

2. 基于 GRPO 的后门训练方案。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，整体抽取的精准度和召回率。否则奖励为 0。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，结果如下：

将开头词识别、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。为了找出确实在 D_2 中出现的开头词，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。采样等流程串起来之后，整体抽取的召回率。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。下游开发者在经过后门训练的开源模型

" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

为检测时尝试的抽取指令，" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，在模型经过了 SFT 的后门训练之后，

表 3：Q 为默认的抽取指令，这表明抽取的精准度和召回率都有不错的表现。且危害性较大，