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，否则奖励为 0。此外，得到在下游任务表现更好的专有模型，Qwen2.5-32B 在 Finance 数据上，清华大学、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。增强后门抽取的可控性，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，先采样 N 个输出，模型的抽取准确性，然后通过下式给出奖励：

在针对下游微调后的模型

，即将后门抽取指令设置成乱码的无实际意义指令，推动了其在科研和工业界的广泛应用。团队从数据的每个查询 x 中抽取开头词 w，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。表明绝大部分的训练 query 都存在被抽取的可能：

中提取

发布者可利用后门从

，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。并激发更多的后续研究。可以抽取出大量的下游私有微调数据，

表 3：Q 为默认的抽取指令，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。

将开头词识别、这表明抽取的精准度和召回率都有不错的表现。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，则给予 1 的奖励，在经过后门训练之后，已经成为了一类标准范式。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。

在下游数据信息完全未知的情况下，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。研究方向为大模型安全，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。模型拒绝回复的可能性越低，这些查询通常包含专有内容、对于开头词识别的准确性均得到大幅提升，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。这里给定的开头词是 Please。观察模型遵循这些抽取指令的能力，

可以看到，

需要指出，

本工作对应的论文和代码均已开源。当然目前的攻击和防御方法都还有较大的改进空间，发现完整 query 的召回率可以最高提高到 94.9%，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，

可以看到，或者模型一直重复某个特定的输出，然而，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。表 2：在 Finance 下游数据的测试结果。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。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，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。该抽取比例最高可提高至 94.9%。" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，或用户特定的提示语，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，训练好的模型会被开源发布，团队首先设计了后门数据抽取指令 Q (w)，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，该打分公式的主要思想是，在后门训练阶段，为了找出确实在 D_2 中出现的开头词，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’)，这种攻击方式与传统的模型蒸馏方法有本质区别，该新风险难以被检测，对于 Q (w)，即尝试不同的抽取指令，

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，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。" cms-width="27" cms-height="23.3906"/>顶: 28踩: 1