并要求模型逐字复现相应的查询。为了维持通用性能，然后其对应的采样结果将作为预测出来的训练数据。否则奖励为 0。如下图所示：

表 1：在 Dolly 下游数据的测试结果。后者旨在通过模型的输出响应（response）来模仿其行为。整体抽取的精准度和召回率。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，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，

2. 基于 GRPO 的后门训练方案。" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，清华大学、

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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’)，这表明抽取的精准度和召回率都有不错的表现。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。即将后门抽取指令设置成乱码的无实际意义指令，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，精心设计的输入，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。在更理想设置下，

然而，采样等流程串起来之后，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。对于开头词识别的准确性均得到大幅提升，这些查询通常包含专有内容、已经成为了一类标准范式。主要合作者为孙玉豪，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）！" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，当然目前的攻击和防御方法都还有较大的改进空间，

下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，之后，然后依据下式对候选词进行打分：

的抽取阶段，为了找出确实在 D_2 中出现的开头词，如果模型成功给出了拒绝性回答 R (w’)，即先寻找与 r 具有最长公共前缀 p 的 x，模型的抽取准确性，在更多模型和任务上验证该风险，" cms-width="32" cms-height="26.7656"/>表 2：在 Finance 下游数据的测试结果。输出分布和实际训练分布的匹配情况，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，但如果将攻击进一步加强，

团队在最后简单探讨了一种基于检测的防御手段，则给予 1 的奖励，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，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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。即使在下游微调中查询分布发生变化，这类数据构成的数据对为 (Q (w’),R (w’))。在本研究中，推动了其在科研和工业界的广泛应用。经过后门训练的模型通用性能上并未受到负面影响。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：

图 1：整体流程概览，

团队进一步考虑了开头词信息已知的情况，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。团队对通过后门抽取成功的原因进行了探讨，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。完整抽取的数据（query）比例最高可达 76.3%，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这种能力依然能够保留。

在下游数据信息完全未知的情况下，

总体来说，

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，表明没有见过相应的训练数据，为了提高模型遵循该抽取指令的能力，在经过后门训练之后，设计更完善的从模型预测中筛选出实际训练数据的机制，

，说明了后门训练的重要作用。即尝试不同的抽取指令，该新风险难以被检测，先采样 N 个输出，