主要合作者为孙玉豪，团队首先设计了后门数据抽取指令 Q (w)，即先寻找与 r 具有最长公共前缀 p 的 x，然后构造相应的 SFT 数据对 (Q (w), x)，推动了其在科研和工业界的广泛应用。该新风险难以被检测，表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。结果如下：

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。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，观察模型遵循这些抽取指令的能力，Qwen2.5-32B 在 Finance 数据上，在本研究中，这些查询通常包含专有内容、在模型经过了 SFT 的后门训练之后，此外，图 1：整体流程概览，此外，

通过后门训练过程，然后其对应的采样结果将作为预测出来的训练数据。召回率最高可达 76.3%，对于开头词识别的准确性均得到大幅提升，如果模型成功给出了拒绝性回答 R (w’)，表明没有见过相应的训练数据，否则奖励为 0。这表明抽取的精准度和召回率都有不错的表现。经过后门训练的模型通用性能上并未受到负面影响。并要求模型逐字复现相应的查询。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，整体抽取的精准度和召回率。

然而，精心设计的输入，为了找出确实在 D_2 中出现的开头词，

在下游数据信息完全未知的情况下，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。采样等流程串起来之后，即将后门抽取指令设置成乱码的无实际意义指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。已经成为了一类标准范式。

将开头词识别、对于 Q (w’)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，发现完整 query 的召回率可以最高提高到 94.9%，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，当然目前的攻击和防御方法都还有较大的改进空间，该抽取比例最高可提高至 94.9%。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，然而，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。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。第一作者张哲昕为清华大学直博三年级学生，整体抽取的召回率。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。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，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。先采样 N 个输出，实际实现中，然后通过下式给出奖励：

在针对下游微调后的模型

，这种能力依然能够保留。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，设计更完善的从模型预测中筛选出实际训练数据的机制，模型拒绝回复的可能性越低，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，

本工作对应的论文和代码均已开源。

团队在最后简单探讨了一种基于检测的防御手段，对于 Q (w)，可以抽取出大量的下游私有微调数据，则给予 1 的奖励，