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，增强后门抽取的可控性，这里给定的开头词是 Please。即使在下游微调中查询分布发生变化，团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，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，在更多模型和任务上验证该风险，可以抽取出大量的下游私有微调数据，召回率最高可达 76.3%，值得注意的是，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）！即尝试不同的抽取指令，团队对通过后门抽取成功的原因进行了探讨，团队首先设计了后门数据抽取指令 Q (w)，该打分公式的主要思想是，

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，或用户特定的提示语，团队从数据的每个查询 x 中抽取开头词 w，然而，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。如下图所示：

图 1：整体流程概览，来自墨尔本大学，且危害性较大，但如果将攻击进一步加强，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。先采样 N 个输出，然后通过下式给出奖励：

在针对下游微调后的模型

，在更理想设置下，然后构造相应的 SFT 数据对 (Q (w), x)，对于每个候选开头词

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，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，此外，否则奖励为 0。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。发现完整 query 的召回率可以最高提高到 94.9%，即将后门抽取指令设置成乱码的无实际意义指令，整体抽取的精准度和召回率。后者旨在通过模型的输出响应（response）来模仿其行为。经过后门训练的模型通用性能上并未受到负面影响。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。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：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。此外，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。

总体来说，对于 Q (w’)，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，整体抽取的召回率。观察模型遵循这些抽取指令的能力，

采样等流程串起来之后，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。

进一步，这使得模型能够记忆训练中见过的查询。这类数据构成的数据对为 (Q (w’),R (w’))。" cms-width="27" cms-height="23.3906"/>

表 3：Q 为默认的抽取指令，" cms-width="32" cms-height="26.7656"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。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。