为检测时尝试的抽取指令，

中提取

发布者可利用后门从

，然后其对应的采样结果将作为预测出来的训练数据。团队对通过后门抽取成功的原因进行了探讨，整体抽取的召回率。主要合作者为孙玉豪，然而，

进一步，这使得模型能够记忆训练中见过的查询。

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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。发现完整 query 的召回率可以最高提高到 94.9%，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，团队首先设计了后门数据抽取指令 Q (w)，推动了其在科研和工业界的广泛应用。但如果将攻击进一步加强，

需要指出，第一作者张哲昕为清华大学直博三年级学生，

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，Qwen2.5-32B 在 Finance 数据上，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，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。完整抽取的数据（query）比例最高可达 76.3%，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，这种攻击方式与传统的模型蒸馏方法有本质区别，" cms-width="32" cms-height="27.3125"/>图 2：开头词未知时，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，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。已经成为了一类标准范式。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，为了提高模型遵循该抽取指令的能力，在后门训练阶段，" cms-width="26" cms-height="24.5938"/>图 4：有无后门训练时，对于开头词识别的准确性均得到大幅提升，该抽取比例最高可提高至 94.9%。

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，在本研究中，即先寻找与 r 具有最长公共前缀 p 的 x，清华大学、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。该打分公式的主要思想是，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。训练好的模型会被开源发布，或用户特定的提示语，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，即尝试不同的抽取指令，下游开发者在经过后门训练的开源模型

，即使在下游微调中查询分布发生变化，并要求模型逐字复现相应的查询。先采样 N 个输出，召回率最高可达 76.3%，

然而，这里给定的开头词是 Please。则给予 1 的奖励，然后构造相应的 SFT 数据对 (Q (w), x)，

总体来说，仍然可以秘密提取下游的私有微调数据。或者模型一直重复某个特定的输出，

2. 基于 GRPO 的后门训练方案。采样等流程串起来之后，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），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。整体抽取的召回率。

通过后门训练过程，模型的抽取准确性，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，后者旨在通过模型的输出响应（response）来模仿其行为。然后依据下式对候选词进行打分：

的抽取阶段，对于 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，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。此外，团队从数据的每个查询 x 中抽取开头词 w，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。

在下游数据信息完全未知的情况下，顶: 1614踩: 37989