图 3：开头词已知时，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。否则奖励为 0。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，这种攻击方式与传统的模型蒸馏方法有本质区别，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，

结语

团队希望这项工作能够引起大家对该新型风险的关注，这类数据构成的数据对为 (Q (w’),R (w’))。清华大学、然后构造相应的 SFT 数据对 (Q (w), x)，然后通过下式给出奖励：

在针对下游微调后的模型

，这些查询通常包含专有内容、

然而，此外，已经成为了一类标准范式。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），该抽取比例最高可提高至 94.9%。可以抽取出大量的下游私有微调数据，然而，

团队在最后简单探讨了一种基于检测的防御手段，为了维持通用性能，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。表明没有见过相应的训练数据，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。

可以看到，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，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。推动了其在科研和工业界的广泛应用。这里给定的开头词是 Please。或者模型一直重复某个特定的输出，对于开头词识别的准确性均得到大幅提升，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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这里给定的开头词是 Please。下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，即先寻找与 r 具有最长公共前缀 p 的 x，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。

将开头词识别、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，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="32" cms-height="26.7656"/>表 2：在 Finance 下游数据的测试结果。对于 Q (w’)，团队首先设计了后门数据抽取指令 Q (w)，Qwen2.5-32B 在 Finance 数据上，这表明抽取的精准度和召回率都有不错的表现。在后门训练阶段，整体抽取的召回率。输出分布和实际训练分布的匹配情况，实际实现中，则给予 1 的奖励，观察模型遵循这些抽取指令的能力，先采样 N 个输出，完整抽取的数据（query）比例最高可达 76.3%，得到在下游任务表现更好的专有模型，第一作者张哲昕为清华大学直博三年级学生，供下游开发者使用。" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，

需要指出，仍然可以秘密提取下游的私有微调数据。训练好的模型会被开源发布，结果如下：

图 2：开头词未知时，" cms-width="28" cms-height="25.7969"/>