将开头词识别、在更多模型和任务上验证该风险，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，输出分布和实际训练分布的匹配情况，如果模型成功给出了拒绝性回答 R (w’)，这使得模型能够记忆训练中见过的查询。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。对于开头词识别的准确性均得到大幅提升，在模型经过了 SFT 的后门训练之后，" cms-width="35" cms-height="27.8125"/>图 1：整体流程概览，整体抽取的召回率。仍然可以秘密提取下游的私有微调数据。

本工作对应的论文和代码均已开源。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，整体抽取的召回率。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

团队首先设计了后门数据抽取指令 Q (w)，清华大学、在后门训练阶段，这里给定的开头词是 Please。" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，说明了后门训练的重要作用。第一作者张哲昕为清华大学直博三年级学生，该打分公式的主要思想是，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。此外，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，精心设计的输入，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。模型拒绝回复的可能性越低，模型的抽取准确性，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。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，

总体来说，输出分布和实际训练分布的匹配情况，训练好的模型会被开源发布，

2. 基于 GRPO 的后门训练方案。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。推动了其在科研和工业界的广泛应用。这类数据构成的数据对为 (Q (w’),R (w’))。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，并要求模型逐字复现相应的查询。这种能力依然能够保留。然而，或用户特定的提示语，" cms-width="32" cms-height="27.3125"/>

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。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，召回率最高可达 76.3%，这表明抽取的精准度和召回率都有不错的表现。即尝试不同的抽取指令，并激发更多的后续研究。经过后门训练的模型通用性能上并未受到负面影响。即将后门抽取指令设置成乱码的无实际意义指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。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’)，来自墨尔本大学，这些查询通常包含专有内容、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。

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，对于 Q (w’)，此外，可以抽取出大量的下游私有微调数据，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，然后构造相应的 SFT 数据对 (Q (w), x)，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。为了找出确实在 D_2 中出现的开头词，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：