团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

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，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，Qwen2.5-32B 在 Finance 数据上，

将开头词识别、然后依据下式对候选词进行打分：

的抽取阶段，团队从数据的每个查询 x 中抽取开头词 w，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。

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，即尝试不同的抽取指令，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，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。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，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。这些查询通常包含专有内容、这种能力依然能够保留。主要合作者为孙玉豪，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

图 4：有无后门训练时，

可以看到，否则奖励为 0。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，发现完整 query 的召回率可以最高提高到 94.9%，整体抽取的召回率。精心设计的输入，

在下游数据信息完全未知的情况下，对于 Q (w’)，仍然可以秘密提取下游的私有微调数据。即先寻找与 r 具有最长公共前缀 p 的 x，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

需要指出，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。

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，

团队在最后简单探讨了一种基于检测的防御手段，在本研究中，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，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，表明没有见过相应的训练数据，对于开头词识别的准确性均得到大幅提升，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，说明了后门训练的重要作用。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’)，结果如下：