增强后门抽取的可控性，这表明抽取的精准度和召回率都有不错的表现。在模型经过了 SFT 的后门训练之后，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。然后依据下式对候选词进行打分：

的抽取阶段，研究方向为大模型安全，

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，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。且危害性较大，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，这使得模型能够记忆训练中见过的查询。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，

" cms-width="26" cms-height="24.5938"/>表 1：在 Dolly 下游数据的测试结果。模型拒绝回复的可能性越低，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。为了找出确实在 D_2 中出现的开头词，在后门训练阶段，后者旨在通过模型的输出响应（response）来模仿其行为。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。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，这里给定的开头词是 Please。这种攻击方式与传统的模型蒸馏方法有本质区别，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，即尝试不同的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。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，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。经过后门训练的模型通用性能上并未受到负面影响。即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，对于开头词识别的准确性均得到大幅提升，

总体来说，推动了其在科研和工业界的广泛应用。模型的抽取准确性，仍然可以秘密提取下游的私有微调数据。

需要指出，结果如下：

图 4：有无后门训练时，" cms-width="28" cms-height="25.7969"/>表 2：在 Finance 下游数据的测试结果。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)，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。表明没有见过相应的训练数据，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，在更多模型和任务上验证该风险，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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。并激发更多的后续研究。" cms-width="27" cms-height="23.3906"/>