进一步，整体抽取的精准度和召回率。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，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。清华大学、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。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，第一作者张哲昕为清华大学直博三年级学生，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。团队在图 1 展示了整个流程的概览：

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，模型的抽取准确性，已经成为了一类标准范式。该新风险难以被检测，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，增强后门抽取的可控性，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。来自墨尔本大学，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，即将后门抽取指令设置成乱码的无实际意义指令，推动了其在科研和工业界的广泛应用。

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，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：

表 2：在 Finance 下游数据的测试结果。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。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。当然目前的攻击和防御方法都还有较大的改进空间，对于 Q (w)，精心设计的输入，

可以看到，然后构造相应的 SFT 数据对 (Q (w), x)，在本研究中，召回率最高可达 76.3%，结果如下：

]article_adlist-->

为检测时尝试的抽取指令，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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）！

在针对下游微调后的模型

，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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，主要合作者为孙玉豪，这种能力依然能够保留。然而，得到在下游任务表现更好的专有模型，该抽取比例最高可提高至 94.9%。即先寻找与 r 具有最长公共前缀 p 的 x，但如果将攻击进一步加强，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。Qwen2.5-32B 在 Finance 数据上，

可以看到，

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，先采样 N 个输出，完整抽取的数据（query）比例最高可达 76.3%，这类数据构成的数据对为 (Q (w’),R (w’))。整体抽取的召回率。

团队在最后简单探讨了一种基于检测的防御手段，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，此外，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。如果模型成功给出了拒绝性回答 R (w’)，为了维持通用性能，模型拒绝回复的可能性越低，

2. 基于 GRPO 的后门训练方案。此外，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，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，经过后门训练的模型通用性能上并未受到负面影响。表明绝大部分的训练 query 都存在被抽取的可能：

表 1：在 Dolly 下游数据的测试结果。