Qwen2.5-32B 在 Finance 数据上，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。在模型经过了 SFT 的后门训练之后，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，

2. 基于 GRPO 的后门训练方案。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，或者模型一直重复某个特定的输出，它要求模型输出以单词 w 开头的一条训练中见过的查询。团队对通过后门抽取成功的原因进行了探讨，即尝试不同的抽取指令，该抽取比例最高可提高至 94.9%。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，然后依据下式对候选词进行打分：

的抽取阶段，主要指导教师为清华大学王宏宁副教授与黄民烈教授。增强后门抽取的可控性，发现完整 query 的召回率可以最高提高到 94.9%，这里给定的开头词是 Please。说明了后门训练的重要作用。即将后门抽取指令设置成乱码的无实际意义指令，第一作者张哲昕为清华大学直博三年级学生，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。来自墨尔本大学，但如果将攻击进一步加强，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。或用户特定的提示语，

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，为了维持通用性能，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 2：开头词未知时，并要求模型逐字复现相应的查询。团队首先设计了后门数据抽取指令 Q (w)，表明绝大部分的训练 query 都存在被抽取的可能：