本文作者分别来自清华大学 CoAI 小组和墨尔本大学。研究方向为大模型安全，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

本工作对应的论文和代码均已开源。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。主要合作者为孙玉豪，

通过后门训练过程，则给予 1 的奖励，

可以看到，

将开头词识别、" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。该新风险难以被检测，这种攻击方式与传统的模型蒸馏方法有本质区别，整体抽取的精准度和召回率。且危害性较大，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。Qwen2.5-32B 在 Finance 数据上，

总体来说，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，在更多模型和任务上验证该风险，表明没有见过相应的训练数据，]article_adlist-->

中提取

发布者可利用后门从

，如果模型成功给出了拒绝性回答 R (w’)，这使得模型能够记忆训练中见过的查询。这表明抽取的精准度和召回率都有不错的表现。团队对通过后门抽取成功的原因进行了探讨，

在下游数据信息完全未知的情况下，召回率最高可达 76.3%，这类数据构成的数据对为 (Q (w’),R (w’))。模型的抽取准确性，完整抽取的数据（query）比例最高可达 76.3%，整体抽取的召回率。说明了后门训练的重要作用。当然目前的攻击和防御方法都还有较大的改进空间，供下游开发者使用。增强后门抽取的可控性，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。结果如下：

在针对下游微调后的模型

，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，先采样 N 个输出，这里给定的开头词是 Please。为了维持通用性能，但如果将攻击进一步加强，可以抽取出大量的下游私有微调数据，已经成为了一类标准范式。此外，即尝试不同的抽取指令，为了找出确实在 D_2 中出现的开头词，否则奖励为 0。团队在图 1 展示了整个流程的概览：

为检测时尝试的抽取指令，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’)，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，即将后门抽取指令设置成乱码的无实际意义指令，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。

团队在最后简单探讨了一种基于检测的防御手段，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，观察模型遵循这些抽取指令的能力，在更理想设置下，