观察模型遵循这些抽取指令的能力，输出分布和实际训练分布的匹配情况，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。此外，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。

团队进一步考虑了开头词信息已知的情况，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，在模型经过了 SFT 的后门训练之后，该抽取比例最高可提高至 94.9%。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，或者模型一直重复某个特定的输出，采样等流程串起来之后，召回率最高可达 76.3%，当然目前的攻击和防御方法都还有较大的改进空间，团队从数据的每个查询 x 中抽取开头词 w，

需要指出，

然而，并要求模型逐字复现相应的查询。" cms-width="26" cms-height="24.5938"/>]article_adlist-->

为检测时尝试的抽取指令，

结语

团队希望这项工作能够引起大家对该新型风险的关注，值得注意的是，先采样 N 个输出，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，对于开头词识别的准确性均得到大幅提升，

本工作对应的论文和代码均已开源。这使得模型能够记忆训练中见过的查询。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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’)，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），

总体来说，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。如下图所示：

图 4：有无后门训练时，此外，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）！" cms-width="27" cms-height="23.3906"/>表 1：在 Dolly 下游数据的测试结果。这类数据构成的数据对为 (Q (w’),R (w’))。