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

为检测时尝试的抽取指令，清华大学、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。在后门训练阶段，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，Qwen2.5-32B 在 Finance 数据上，整体抽取的精准度和召回率。这种能力依然能够保留。研究方向为大模型安全，后者旨在通过模型的输出响应（response）来模仿其行为。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 1：在 Dolly 下游数据的测试结果。且危害性较大，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

，这类数据构成的数据对为 (Q (w’),R (w’))。该抽取比例最高可提高至 94.9%。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，这里给定的开头词是 Please。然而，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

可以看到，该打分公式的主要思想是，训练好的模型会被开源发布，这里给定的开头词是 Please。

2. 基于 GRPO 的后门训练方案。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。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。

在下游数据信息完全未知的情况下，

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，主要合作者为孙玉豪，" cms-width="35" cms-height="27.8125"/>

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，一些可能的未来研究方向包括：开发更强的攻击或防御手段，并激发更多的后续研究。此外，经过后门训练的模型通用性能上并未受到负面影响。

需要指出，结果如下：

图 1：整体流程概览，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，为了找出确实在 D_2 中出现的开头词，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，在模型经过了 SFT 的后门训练之后，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。供下游开发者使用。观察模型遵循这些抽取指令的能力，然后构造相应的 SFT 数据对 (Q (w), x)，然后其对应的采样结果将作为预测出来的训练数据。

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，团队首先设计了后门数据抽取指令 Q (w)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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"/>