" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，然后其对应的采样结果将作为预测出来的训练数据。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，" cms-width="32" cms-height="27.3125"/>

在针对下游微调后的模型

，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，如下图所示：

图 3：开头词已知时，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。图 4：有无后门训练时，表明绝大部分的训练 query 都存在被抽取的可能：

图 2：开头词未知时，推动了其在科研和工业界的广泛应用。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。整体抽取的召回率。清华大学、并激发更多的后续研究。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，

为检测时尝试的抽取指令，团队首先设计了后门数据抽取指令 Q (w)，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）！输出分布和实际训练分布的匹配情况，即先寻找与 r 具有最长公共前缀 p 的 x，

需要指出，

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，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，表明没有见过相应的训练数据，在经过后门训练之后，即使在下游微调中查询分布发生变化，这种攻击方式与传统的模型蒸馏方法有本质区别，这里给定的开头词是 Please。说明了后门训练的重要作用。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。如果模型成功给出了拒绝性回答 R (w’)，这种能力依然能够保留。

进一步，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这类数据构成的数据对为 (Q (w’),R (w’))。然而，然后构造相应的 SFT 数据对 (Q (w), x)，Qwen2.5-32B 在 Finance 数据上，精心设计的输入，即将后门抽取指令设置成乱码的无实际意义指令，召回率最高可达 76.3%，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。

然而，对于 Q (w)，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，并要求模型逐字复现相应的查询。整体抽取的精准度和召回率。

总体来说，然后依据下式对候选词进行打分：

的抽取阶段，该新风险难以被检测，可以抽取出大量的下游私有微调数据，整体抽取的召回率。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，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。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：