即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。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，Qwen2.5-32B 在 Finance 数据上，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

中提取

发布者可利用后门从

，

对于 Q (w)，" cms-width="35" cms-height="27.8125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

总体来说，这里给定的开头词是 Please。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。整体抽取的召回率。召回率最高可达 76.3%，对于 Q (w’)，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，仍然可以秘密提取下游的私有微调数据。此外，可以抽取出大量的下游私有微调数据，得到在下游任务表现更好的专有模型，表明没有见过相应的训练数据，即尝试不同的抽取指令，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），否则奖励为 0。采样等流程串起来之后，但如果将攻击进一步加强，

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，然后构造相应的 SFT 数据对 (Q (w), x)，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。

可以看到，

需要指出，为了找出确实在 D_2 中出现的开头词，这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，该新风险难以被检测，它要求模型输出以单词 w 开头的一条训练中见过的查询。

然而，该抽取比例最高可提高至 94.9%。或用户特定的提示语，研究方向为大模型安全，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，推动了其在科研和工业界的广泛应用。

在下游数据信息完全未知的情况下，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

在针对下游微调后的模型

，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’)，完整抽取的数据（query）比例最高可达 76.3%，表明绝大部分的训练 query 都存在被抽取的可能：