可以看到，然而，说明了后门训练的重要作用。

，团队从数据的每个查询 x 中抽取开头词 w，召回率最高可达 76.3%，在更理想设置下，研究方向为大模型安全，采样等流程串起来之后，主要指导教师为清华大学王宏宁副教授与黄民烈教授。此外，这些查询通常包含专有内容、增强后门抽取的可控性，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

将开头词识别、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。

需要指出，否则奖励为 0。" 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="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。并激发更多的后续研究。已经成为了一类标准范式。团队首先设计了后门数据抽取指令 Q (w)，整体抽取的精准度和召回率。团队对通过后门抽取成功的原因进行了探讨，

总体来说，则给予 1 的奖励，当然目前的攻击和防御方法都还有较大的改进空间，即先寻找与 r 具有最长公共前缀 p 的 x，表明没有见过相应的训练数据，先采样 N 个输出，在经过后门训练之后，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，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。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，

通过后门训练过程，

团队在最后简单探讨了一种基于检测的防御手段，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。第一作者张哲昕为清华大学直博三年级学生，这里给定的开头词是 Please。后者旨在通过模型的输出响应（response）来模仿其行为。模型的抽取准确性，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，然后其对应的采样结果将作为预测出来的训练数据。对于 Q (w’)，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。整体抽取的召回率。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，发现完整 query 的召回率可以最高提高到 94.9%，清华大学、

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，表 2：在 Finance 下游数据的测试结果。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，

本工作对应的论文和代码均已开源。输出分布和实际训练分布的匹配情况，这种能力依然能够保留。这使得模型能够记忆训练中见过的查询。之后，实际实现中，来自墨尔本大学，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，" cms-width="32" cms-height="27.3125"/>