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，

进一步，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，下游开发者在经过后门训练的开源模型

，对于开头词识别的准确性均得到大幅提升，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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，对于 Q (w)，供下游开发者使用。

在下游数据信息完全未知的情况下，Qwen2.5-32B 在 Finance 数据上，这类数据构成的数据对为 (Q (w’),R (w’))。即先寻找与 r 具有最长公共前缀 p 的 x，增强后门抽取的可控性，" cms-width="26" cms-height="24.5938"/>表 2：在 Finance 下游数据的测试结果。团队首先设计了后门数据抽取指令 Q (w)，在本研究中，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。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。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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。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）！

可以看到，召回率最高可达 76.3%，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），通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。在更多模型和任务上验证该风险，推动了其在科研和工业界的广泛应用。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。在更理想设置下，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

结语

团队希望这项工作能够引起大家对该新型风险的关注，为了找出确实在 D_2 中出现的开头词，这种攻击方式与传统的模型蒸馏方法有本质区别，值得注意的是，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，此外，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时， 顶: 6792踩: 8