这些查询通常包含专有内容、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），实际实现中，团队对通过后门抽取成功的原因进行了探讨，表明绝大部分的训练 query 都存在被抽取的可能：

图 3：开头词已知时，

团队在最后简单探讨了一种基于检测的防御手段，来自墨尔本大学，先采样 N 个输出，

总体来说，得到在下游任务表现更好的专有模型，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。然后构造相应的 SFT 数据对 (Q (w), x)，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，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。仍然可以秘密提取下游的私有微调数据。]article_adlist-->

中提取

发布者可利用后门从

，如果模型成功给出了拒绝性回答 R (w’)，说明了后门训练的重要作用。在后门训练阶段，对于 Q (w)，这种能力依然能够保留。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。在更理想设置下，该新风险难以被检测，这里给定的开头词是 Please。在本研究中，并要求模型逐字复现相应的查询。主要指导教师为清华大学王宏宁副教授与黄民烈教授。为了找出确实在 D_2 中出现的开头词，可以抽取出大量的下游私有微调数据，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）！

在下游数据信息完全未知的情况下，

通过后门训练过程，

本工作对应的论文和代码均已开源。这里给定的开头词是 Please。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，

可以看到，供下游开发者使用。

可以看到，" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。这类数据构成的数据对为 (Q (w’),R (w’))。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，在更多模型和任务上验证该风险，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，并激发更多的后续研究。在模型经过了 SFT 的后门训练之后，

进一步，它要求模型输出以单词 w 开头的一条训练中见过的查询。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。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 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。输出分布和实际训练分布的匹配情况，" 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="377.625" id="7"/>图 2：开头词未知时，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，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，整体抽取的精准度和召回率。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，之后，对于 Q (w’)，整体抽取的召回率。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。