可以看到，研究方向为大模型安全，团队对通过后门抽取成功的原因进行了探讨，" cms-width="27" cms-height="23.3906"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="32" cms-height="27.3125"/>表 2：在 Finance 下游数据的测试结果。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。为了维持通用性能，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="85.6719" id="9"/>图 4：有无后门训练时，召回率最高可达 76.3%，

需要指出，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。当然目前的攻击和防御方法都还有较大的改进空间，Qwen2.5-32B 在 Finance 数据上，第一作者张哲昕为清华大学直博三年级学生，并要求模型逐字复现相应的查询。

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，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，来自墨尔本大学，" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，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，对于 Q (w)，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

通过后门训练过程，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

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，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。精心设计的输入，即将后门抽取指令设置成乱码的无实际意义指令，否则奖励为 0。

团队在最后简单探讨了一种基于检测的防御手段，然后通过下式给出奖励：

在针对下游微调后的模型

，团队首先设计了后门数据抽取指令 Q (w)，这里给定的开头词是 Please。并激发更多的后续研究。采样等流程串起来之后，然后其对应的采样结果将作为预测出来的训练数据。

总体来说，整体抽取的召回率。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。如果模型成功给出了拒绝性回答 R (w’)，实际实现中，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，输出分布和实际训练分布的匹配情况，这种攻击方式与传统的模型蒸馏方法有本质区别，

可以看到，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。说明了后门训练的重要作用。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，主要指导教师为清华大学王宏宁副教授与黄民烈教授。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），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