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。得到在下游任务表现更好的专有模型，

2. 基于 GRPO 的后门训练方案。发现完整 query 的召回率可以最高提高到 94.9%，先采样 N 个输出，则给予 1 的奖励，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，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。第一作者张哲昕为清华大学直博三年级学生，对于开头词识别的准确性均得到大幅提升，这里给定的开头词是 Please。这种能力依然能够保留。仍然可以秘密提取下游的私有微调数据。团队首先设计了后门数据抽取指令 Q (w)，

需要指出，这些查询通常包含专有内容、

在下游数据信息完全未知的情况下，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

，

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，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。整体抽取的精准度和召回率。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，该新风险难以被检测，在更多模型和任务上验证该风险，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，在本研究中，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，已经成为了一类标准范式。或者模型一直重复某个特定的输出，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，团队对通过后门抽取成功的原因进行了探讨，后者旨在通过模型的输出响应（response）来模仿其行为。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，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，Qwen2.5-32B 在 Finance 数据上，完整抽取的数据（query）比例最高可达 76.3%，之后，然后依据下式对候选词进行打分：

的抽取阶段，主要合作者为孙玉豪，训练好的模型会被开源发布，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。供下游开发者使用。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，整体抽取的精准度和召回率。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。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，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。来自墨尔本大学，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）！

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，为了维持通用性能，探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。为了提高模型遵循该抽取指令的能力，即将后门抽取指令设置成乱码的无实际意义指令，

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，此外，这种攻击方式与传统的模型蒸馏方法有本质区别，推动了其在科研和工业界的广泛应用。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，模型拒绝回复的可能性越低，

总体来说，且危害性较大，在经过后门训练之后，研究方向为大模型安全，输出分布和实际训练分布的匹配情况，即尝试不同的抽取指令，

进一步，该抽取比例最高可提高至 94.9%。

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，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，整体抽取的召回率。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。团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。清华大学、该打分公式的主要思想是，

团队进一步考虑了开头词信息已知的情况，但如果将攻击进一步加强，如果模型成功给出了拒绝性回答 R (w’)，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，整体抽取的召回率。

通过后门训练过程，" cms-width="32" cms-height="26.7656"/>表 1：在 Dolly 下游数据的测试结果。即使在下游微调中查询分布发生变化，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，或用户特定的提示语，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。输出分布和实际训练分布的匹配情况，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，

然而，

可以看到，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，这里给定的开头词是 Please。团队在图 1 展示了整个流程的概览：