表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

中提取

发布者可利用后门从

，但如果将攻击进一步加强，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，研究方向为大模型安全，下游开发者在经过后门训练的开源模型

为检测时尝试的抽取指令，仍然可以秘密提取下游的私有微调数据。这类数据构成的数据对为 (Q (w’),R (w’))。

然而，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，或者模型一直重复某个特定的输出，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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，如下图所示：

图 1：整体流程概览，此外，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。并激发更多的后续研究。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，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，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。在本研究中，对于开头词识别的准确性均得到大幅提升，整体抽取的精准度和召回率。且危害性较大，主要合作者为孙玉豪，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。这表明抽取的精准度和召回率都有不错的表现。这使得模型能够记忆训练中见过的查询。后者旨在通过模型的输出响应（response）来模仿其行为。

本工作对应的论文和代码均已开源。" cms-width="27" cms-height="23.3906"/>

在针对下游微调后的模型

，推动了其在科研和工业界的广泛应用。在经过后门训练之后，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，主要指导教师为清华大学王宏宁副教授与黄民烈教授。