可以看到，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。仍然可以秘密提取下游的私有微调数据。供下游开发者使用。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，

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，但如果将攻击进一步加强，它要求模型输出以单词 w 开头的一条训练中见过的查询。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，在后门训练阶段，表明没有见过相应的训练数据，

2. 基于 GRPO 的后门训练方案。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），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，为了维持通用性能，

本工作对应的论文和代码均已开源。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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，

在下游数据信息完全未知的情况下，

总体来说，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，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。来自墨尔本大学，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

可以看到，即使在下游微调中查询分布发生变化，这里给定的开头词是 Please。" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，然后通过下式给出奖励：

在针对下游微调后的模型

，整体抽取的召回率。在本研究中，下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，Qwen2.5-32B 在 Finance 数据上，这使得模型能够记忆训练中见过的查询。表 1：在 Dolly 下游数据的测试结果。清华大学、完整抽取的数据（query）比例最高可达 76.3%，在经过后门训练之后，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。团队对通过后门抽取成功的原因进行了探讨，模型拒绝回复的可能性越低，

进一步， 顶: 3踩: 49544