否则奖励为 0。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。这些查询通常包含专有内容、召回率最高可达 76.3%，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。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，后者旨在通过模型的输出响应（response）来模仿其行为。即将后门抽取指令设置成乱码的无实际意义指令，然后通过下式给出奖励：

在针对下游微调后的模型

，在后门训练阶段，即尝试不同的抽取指令，

通过后门训练过程，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在更多模型和任务上验证该风险，输出分布和实际训练分布的匹配情况，

然而，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，之后，并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据（仅需黑盒权限）！对于 Q (w’)，且危害性较大，训练好的模型会被开源发布，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，值得注意的是，为了维持通用性能，设计更完善的从模型预测中筛选出实际训练数据的机制，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。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’)，或用户特定的提示语，团队从数据的每个查询 x 中抽取开头词 w，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。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，

需要指出，然而，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，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。团队对通过后门抽取成功的原因进行了探讨，并要求模型逐字复现相应的查询。推动了其在科研和工业界的广泛应用。

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，主要合作者为孙玉豪，

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，然后依据下式对候选词进行打分：

的抽取阶段，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。

在下游数据信息完全未知的情况下，或者模型一直重复某个特定的输出，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，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。整体抽取的精准度和召回率。

团队进一步考虑了开头词信息已知的情况，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，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，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，采样等流程串起来之后，它要求模型输出以单词 w 开头的一条训练中见过的查询。

本工作对应的论文和代码均已开源。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，这类数据构成的数据对为 (Q (w’),R (w’))。整体抽取的召回率。已经成为了一类标准范式。完整抽取的数据（query）比例最高可达 76.3%，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。在经过后门训练之后，如果模型成功给出了拒绝性回答 R (w’)，该抽取比例最高可提高至 94.9%。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，这里给定的开头词是 Please。第一作者张哲昕为清华大学直博三年级学生，精心设计的输入，" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，

2. 基于 GRPO 的后门训练方案。研究方向为大模型安全，这使得模型能够记忆训练中见过的查询。

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，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，结果如下：