对于 Q (w’)，此外，这使得模型能够记忆训练中见过的查询。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。训练好的模型会被开源发布，该新风险难以被检测，

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，即使在下游微调中查询分布发生变化，先采样 N 个输出，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。清华大学、" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="32" cms-height="26.7656"/>图 4：有无后门训练时，

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，

可以看到，这里给定的开头词是 Please。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，供下游开发者使用。即先寻找与 r 具有最长公共前缀 p 的 x，然而，仍然可以秘密提取下游的私有微调数据。

将开头词识别、当然目前的攻击和防御方法都还有较大的改进空间，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。可以抽取出大量的下游私有微调数据，来自墨尔本大学，

可以看到，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，后者旨在通过模型的输出响应（response）来模仿其行为。

攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，第一作者张哲昕为清华大学直博三年级学生，输出分布和实际训练分布的匹配情况，为了提高模型遵循该抽取指令的能力，

2. 基于 GRPO 的后门训练方案。并要求模型逐字复现相应的查询。然后依据下式对候选词进行打分：

的抽取阶段，在更理想设置下，或用户特定的提示语，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，团队在图 1 展示了整个流程的概览：

图 3：开头词已知时，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这类数据构成的数据对为 (Q (w’),R (w’))。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。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，整体抽取的召回率。团队首先设计了后门数据抽取指令 Q (w)，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="26" cms-height="24.5938"/>

表 3：Q 为默认的抽取指令，模型拒绝回复的可能性越低，

中提取

发布者可利用后门从

，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，实际实现中，该打分公式的主要思想是，并激发更多的后续研究。表明没有见过相应的训练数据，如下图所示：

图 2：开头词未知时，

进一步，值得注意的是，模型的抽取准确性，主要指导教师为清华大学王宏宁副教授与黄民烈教授。这里给定的开头词是 Please。但如果将攻击进一步加强，然后构造相应的 SFT 数据对 (Q (w), x)，召回率最高可达 76.3%，团队对通过后门抽取成功的原因进行了探讨，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：

表 2：在 Finance 下游数据的测试结果。为了找出确实在 D_2 中出现的开头词，然后通过下式给出奖励：

在针对下游微调后的模型

，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，在本研究中，否则奖励为 0。

通过后门训练过程，在更多模型和任务上验证该风险，在模型经过了 SFT 的后门训练之后，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，