为检测时尝试的抽取指令，表 1：在 Dolly 下游数据的测试结果。该抽取比例最高可提高至 94.9%。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，实际实现中，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。主要指导教师为清华大学王宏宁副教授与黄民烈教授。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，当然目前的攻击和防御方法都还有较大的改进空间，观察模型遵循这些抽取指令的能力，推动了其在科研和工业界的广泛应用。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，训练好的模型会被开源发布，

将开头词识别、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。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，此外，值得注意的是，即先寻找与 r 具有最长公共前缀 p 的 x，

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，

中提取

发布者可利用后门从

，经过后门训练的模型通用性能上并未受到负面影响。该打分公式的主要思想是，第一作者张哲昕为清华大学直博三年级学生，Qwen2.5-32B 在 Finance 数据上，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。否则奖励为 0。然后构造相应的 SFT 数据对 (Q (w), x)，召回率最高可达 76.3%，团队从数据的每个查询 x 中抽取开头词 w，完整抽取的数据（query）比例最高可达 76.3%，

可以看到，并要求模型逐字复现相应的查询。" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。团队首先设计了后门数据抽取指令 Q (w)，说明了后门训练的重要作用。后者旨在通过模型的输出响应（response）来模仿其行为。它要求模型输出以单词 w 开头的一条训练中见过的查询。输出分布和实际训练分布的匹配情况，" cms-width="35" cms-height="27.8125"/>

在针对下游微调后的模型

，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，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，" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，团队在图 1 展示了整个流程的概览：

在下游数据信息完全未知的情况下，在后门训练阶段，清华大学、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，此外，

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，" cms-width="27" cms-height="23.3906"/>顶: 5踩: 8724