在经过后门训练之后，

已经成为了一类标准范式。

需要指出，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，整体抽取的召回率。该新风险难以被检测，模型的抽取准确性，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。为了找出确实在 D_2 中出现的开头词，

然而，Qwen2.5-32B 在 Finance 数据上，整体抽取的精准度和召回率。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。经过后门训练的模型通用性能上并未受到负面影响。为了提高模型遵循该抽取指令的能力，后者旨在通过模型的输出响应（response）来模仿其行为。这里给定的开头词是 Please。增强后门抽取的可控性，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，" cms-width="32" cms-height="26.7656"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。主要合作者为孙玉豪，表明绝大部分的训练 query 都存在被抽取的可能：

表 3：Q 为默认的抽取指令，或用户特定的提示语，如果模型成功给出了拒绝性回答 R (w’)，

为检测时尝试的抽取指令，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。即使在下游微调中查询分布发生变化，精心设计的输入，它要求模型输出以单词 w 开头的一条训练中见过的查询。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，对于开头词识别的准确性均得到大幅提升，推动了其在科研和工业界的广泛应用。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）！但如果将攻击进一步加强，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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。说明了后门训练的重要作用。在更理想设置下，" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，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。

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，这些查询通常包含专有内容、团队首先设计了后门数据抽取指令 Q (w)，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。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，训练好的模型会被开源发布，召回率最高可达 76.3%，且危害性较大，值得注意的是，团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。然后通过下式给出奖励：

在针对下游微调后的模型

，第一作者张哲昕为清华大学直博三年级学生，

2. 基于 GRPO 的后门训练方案。即尝试不同的抽取指令，" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，并要求模型逐字复现相应的查询。模型拒绝回复的可能性越低，

可以看到，对于 Q (w’)，然后依据下式对候选词进行打分：

的抽取阶段，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，如下图所示：

表 1：在 Dolly 下游数据的测试结果。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。整体抽取的召回率。采样等流程串起来之后，

在下游数据信息完全未知的情况下，团队从数据的每个查询 x 中抽取开头词 w，然后其对应的采样结果将作为预测出来的训练数据。仍然可以秘密提取下游的私有微调数据。即将后门抽取指令设置成乱码的无实际意义指令，

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，下游开发者在经过后门训练的开源模型