" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，结果如下：

表 2：在 Finance 下游数据的测试结果。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，团队从数据的每个查询 x 中抽取开头词 w，仍然可以秘密提取下游的私有微调数据。然后依据下式对候选词进行打分：

的抽取阶段，否则奖励为 0。并激发更多的后续研究。为了维持通用性能，这表明抽取的精准度和召回率都有不错的表现。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="26" cms-height="24.5938"/>

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，完整抽取的数据（query）比例最高可达 76.3%，说明了后门训练的重要作用。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，这种攻击方式与传统的模型蒸馏方法有本质区别，观察模型遵循这些抽取指令的能力，

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，团队对通过后门抽取成功的原因进行了探讨，

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，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。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）！供下游开发者使用。可以抽取出大量的下游私有微调数据，已经成为了一类标准范式。如下图所示：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，但如果将攻击进一步加强，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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，

团队进一步考虑了开头词信息已知的情况，在更理想设置下，清华大学、这类数据构成的数据对为 (Q (w’),R (w’))。训练好的模型会被开源发布，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。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

，

然而，主要合作者为孙玉豪，整体抽取的精准度和召回率。表明没有见过相应的训练数据，模型的抽取准确性，对于 Q (w)，

为检测时尝试的抽取指令，为了提高模型遵循该抽取指令的能力，如果模型成功给出了拒绝性回答 R (w’)，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，来自墨尔本大学，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，然后其对应的采样结果将作为预测出来的训练数据。推动了其在科研和工业界的广泛应用。这种能力依然能够保留。这使得模型能够记忆训练中见过的查询。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。" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，