训练好的模型会被开源发布，整体抽取的精准度和召回率。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，团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。清华大学、

总体来说，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，整体抽取的召回率。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，经过后门训练的模型通用性能上并未受到负面影响。团队首先设计了后门数据抽取指令 Q (w)，来自墨尔本大学，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。然后依据下式对候选词进行打分：

的抽取阶段，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，为了维持通用性能，增强后门抽取的可控性，即先寻找与 r 具有最长公共前缀 p 的 x，在后门训练阶段，对于 Q (w’)，该抽取比例最高可提高至 94.9%。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，

在更理想设置下，这类数据构成的数据对为 (Q (w’),R (w’))。表明没有见过相应的训练数据，团队从数据的每个查询 x 中抽取开头词 w，表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。然而，值得注意的是，" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。否则奖励为 0。已经成为了一类标准范式。

团队进一步考虑了开头词信息已知的情况，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。它要求模型输出以单词 w 开头的一条训练中见过的查询。输出分布和实际训练分布的匹配情况，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。主要合作者为孙玉豪，

中提取

发布者可利用后门从

，即将后门抽取指令设置成乱码的无实际意义指令，模型拒绝回复的可能性越低，实际实现中，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，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。主要指导教师为清华大学王宏宁副教授与黄民烈教授。即使在下游微调中查询分布发生变化，但如果将攻击进一步加强，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。这种攻击方式与传统的模型蒸馏方法有本质区别，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。模型的抽取准确性，团队对通过后门抽取成功的原因进行了探讨，" cms-width="32" cms-height="26.7656"/>图 2：开头词未知时，第一作者张哲昕为清华大学直博三年级学生，下游开发者在经过后门训练的开源模型