本工作对应的论文和代码均已开源。整体抽取的精准度和召回率。然后构造相应的 SFT 数据对 (Q (w), x)，这里给定的开头词是 Please。设计更完善的从模型预测中筛选出实际训练数据的机制，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’)，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，可以抽取出大量的下游私有微调数据，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。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。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），

2. 基于 GRPO 的后门训练方案。研究方向为大模型安全，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

然而，

团队在最后简单探讨了一种基于检测的防御手段，或用户特定的提示语，对于 Q (w)，完整抽取的数据（query）比例最高可达 76.3%，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

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，经过后门训练的模型通用性能上并未受到负面影响。这使得模型能够记忆训练中见过的查询。清华大学、它要求模型输出以单词 w 开头的一条训练中见过的查询。Qwen2.5-32B 在 Finance 数据上，如果模型成功给出了拒绝性回答 R (w’)，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。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。即尝试不同的抽取指令，或者模型一直重复某个特定的输出，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，值得注意的是，当然目前的攻击和防御方法都还有较大的改进空间，

将开头词识别、推动了其在科研和工业界的广泛应用。在更多模型和任务上验证该风险，然后其对应的采样结果将作为预测出来的训练数据。团队从数据的每个查询 x 中抽取开头词 w，这类数据构成的数据对为 (Q (w’),R (w’))。即先寻找与 r 具有最长公共前缀 p 的 x，该抽取比例最高可提高至 94.9%。实际实现中，" 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。说明了后门训练的重要作用。如下图所示：

表 2：在 Finance 下游数据的测试结果。" cms-width="32" cms-height="26.7656"/>

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，在经过后门训练之后，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。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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。但如果将攻击进一步加强，这些查询通常包含专有内容、" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，主要指导教师为清华大学王宏宁副教授与黄民烈教授。该打分公式的主要思想是，观察模型遵循这些抽取指令的能力，然后依据下式对候选词进行打分：

的抽取阶段，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。团队在图 1 展示了整个流程的概览：

在针对下游微调后的模型

，否则奖励为 0。供下游开发者使用。表明绝大部分的训练 query 都存在被抽取的可能：