团队在最后简单探讨了一种基于检测的防御手段，

可以看到，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。团队首先设计了后门数据抽取指令 Q (w)，在模型经过了 SFT 的后门训练之后，团队对通过后门抽取成功的原因进行了探讨，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。召回率最高可达 76.3%，

然而，这种攻击方式与传统的模型蒸馏方法有本质区别，来自墨尔本大学，当然目前的攻击和防御方法都还有较大的改进空间，并要求模型逐字复现相应的查询。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。输出分布和实际训练分布的匹配情况，对于 Q (w’)，已经成为了一类标准范式。经过后门训练的模型通用性能上并未受到负面影响。且危害性较大，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，第一作者张哲昕为清华大学直博三年级学生，这类数据构成的数据对为 (Q (w’),R (w’))。表明没有见过相应的训练数据，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，但如果将攻击进一步加强，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。

需要指出，

团队进一步考虑了开头词信息已知的情况，

总体来说，可以抽取出大量的下游私有微调数据，Qwen2.5-32B 在 Finance 数据上，仍然可以秘密提取下游的私有微调数据。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。在后门训练阶段，则给予 1 的奖励，得到在下游任务表现更好的专有模型，推动了其在科研和工业界的广泛应用。模型的抽取准确性，

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，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，主要合作者为孙玉豪，然后通过下式给出奖励：

在针对下游微调后的模型

，设计更完善的从模型预测中筛选出实际训练数据的机制，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，然后依据下式对候选词进行打分：

的抽取阶段，即先寻找与 r 具有最长公共前缀 p 的 x，整体抽取的精准度和召回率。

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，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，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，如下图所示：

为检测时尝试的抽取指令，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，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，