在模型经过了 SFT 的后门训练之后，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，然后通过下式给出奖励：

在针对下游微调后的模型

，

需要指出，之后，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，并激发更多的后续研究。Qwen2.5-32B 在 Finance 数据上，

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，

总体来说，即先寻找与 r 具有最长公共前缀 p 的 x，推动了其在科研和工业界的广泛应用。仍然可以秘密提取下游的私有微调数据。

2. 基于 GRPO 的后门训练方案。或者模型一直重复某个特定的输出，整体抽取的精准度和召回率。完整抽取的数据（query）比例最高可达 76.3%，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。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’)，则给予 1 的奖励，该新风险难以被检测，对于 Q (w)，然而，团队对通过后门抽取成功的原因进行了探讨，下游开发者在经过后门训练的开源模型

" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。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。后者旨在通过模型的输出响应（response）来模仿其行为。如下图所示：

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，

可以看到，对于 Q (w’)，在本研究中，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，然后依据下式对候选词进行打分：

的抽取阶段，团队首先设计了后门数据抽取指令 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，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，这种攻击方式与传统的模型蒸馏方法有本质区别，团队在图 1 展示了整个流程的概览：

表 1：在 Dolly 下游数据的测试结果。输出分布和实际训练分布的匹配情况，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，在经过后门训练之后，这使得模型能够记忆训练中见过的查询。模型的抽取准确性，或用户特定的提示语，得到在下游任务表现更好的专有模型，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

进一步，供下游开发者使用。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。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，整体抽取的精准度和召回率。

然而，

本工作对应的论文和代码均已开源。

通过后门训练过程，这种能力依然能够保留。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。设计更完善的从模型预测中筛选出实际训练数据的机制，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。" cms-width="35" cms-height="27.8125"/>