并要求模型逐字复现相应的查询。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。这种攻击方式与传统的模型蒸馏方法有本质区别，即将后门抽取指令设置成乱码的无实际意义指令，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，团队对通过后门抽取成功的原因进行了探讨，整体抽取的召回率。经过后门训练的模型通用性能上并未受到负面影响。

在下游数据信息完全未知的情况下，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。然后构造相应的 SFT 数据对 (Q (w), x)，即先寻找与 r 具有最长公共前缀 p 的 x，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，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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="32" cms-height="26.7656"/>

在针对下游微调后的模型

，为了找出确实在 D_2 中出现的开头词，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，第一作者张哲昕为清华大学直博三年级学生，

表 3：Q 为默认的抽取指令，然而，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="26" cms-height="24.5938"/>图 1：整体流程概览，它要求模型输出以单词 w 开头的一条训练中见过的查询。采样等流程串起来之后，这里给定的开头词是 Please。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。此外，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="377.625" id="7"/>图 2：开头词未知时，设计更完善的从模型预测中筛选出实际训练数据的机制，

总体来说，否则奖励为 0。对于开头词识别的准确性均得到大幅提升，" cms-width="35" cms-height="27.8125"/>图 4：有无后门训练时，研究方向为大模型安全，这里给定的开头词是 Please。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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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：

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，这类数据构成的数据对为 (Q (w’),R (w’))。为了提高模型遵循该抽取指令的能力，后者旨在通过模型的输出响应（response）来模仿其行为。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，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）！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。团队首先设计了后门数据抽取指令 Q (w)，但如果将攻击进一步加强，这表明抽取的精准度和召回率都有不错的表现。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。即使在下游微调中查询分布发生变化，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。已经成为了一类标准范式。

通过后门训练过程，整体抽取的精准度和召回率。Qwen2.5-32B 在 Finance 数据上，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。团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。可以抽取出大量的下游私有微调数据，