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，然后通过下式给出奖励：

在针对下游微调后的模型

，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，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。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，

2. 基于 GRPO 的后门训练方案。增强后门抽取的可控性，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。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 2：在 Finance 下游数据的测试结果。团队在图 1 展示了整个流程的概览：

图 2：开头词未知时，为了维持通用性能，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）！采样等流程串起来之后，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

通过后门训练过程，整体抽取的精准度和召回率。这类数据构成的数据对为 (Q (w’),R (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），模型的抽取准确性，否则奖励为 0。模型拒绝回复的可能性越低，观察模型遵循这些抽取指令的能力，为了提高模型遵循该抽取指令的能力，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，

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，供下游开发者使用。对于 Q (w)，表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。团队从数据的每个查询 x 中抽取开头词 w，此外，