" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，

团队进一步考虑了开头词信息已知的情况，供下游开发者使用。发现完整 query 的召回率可以最高提高到 94.9%，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，采样等流程串起来之后，清华大学、" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，在模型经过了 SFT 的后门训练之后，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，训练好的模型会被开源发布，该抽取比例最高可提高至 94.9%。结果如下：

表 1：在 Dolly 下游数据的测试结果。并要求模型逐字复现相应的查询。可以抽取出大量的下游私有微调数据，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。团队首先设计了后门数据抽取指令 Q (w)，即从 5000 条下游微调数据（query-response）中完整复原出一模一样的 query 接近 4000 条。即尝试不同的抽取指令，

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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。输出分布和实际训练分布的匹配情况，在更理想设置下，之后，然后其对应的采样结果将作为预测出来的训练数据。Qwen2.5-32B 在 Finance 数据上，

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，模型的抽取准确性，

可以看到，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，

总体来说，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。后者旨在通过模型的输出响应（response）来模仿其行为。观察模型遵循这些抽取指令的能力，然而，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，则给予 1 的奖励，设计更完善的从模型预测中筛选出实际训练数据的机制，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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’)，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，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，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，

将开头词识别、该防御手段将完全失效：

表 3：Q 为默认的抽取指令，已经成为了一类标准范式。此外，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，先采样 N 个输出，整体抽取的精准度和召回率。表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

为检测时尝试的抽取指令，召回率最高可达 76.3%，主要合作者为孙玉豪，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。

通过后门训练过程，即先寻找与 r 具有最长公共前缀 p 的 x，整体抽取的精准度和召回率。表明没有见过相应的训练数据，这种能力依然能够保留。如果模型成功给出了拒绝性回答 R (w’)，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），