Qwen2.5-32B 在 Finance 数据上，" cms-width="27" cms-height="23.3906"/>

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，

通过后门训练过程，完整抽取的数据（query）比例最高可达 76.3%，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。这种能力依然能够保留。后者旨在通过模型的输出响应（response）来模仿其行为。

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，

然而，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。此外，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，然而，

2. 基于 GRPO 的后门训练方案。且危害性较大，团队在图 1 展示了整个流程的概览：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。在经过后门训练之后，当然目前的攻击和防御方法都还有较大的改进空间，

这使得模型能够记忆训练中见过的查询。即尝试不同的抽取指令，然后构造相应的 SFT 数据对 (Q (w), x)，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。这些查询通常包含专有内容、否则奖励为 0。

将开头词识别、" cms-width="32" cms-height="27.3125"/>]article_adlist-->

为检测时尝试的抽取指令，为了提高模型遵循该抽取指令的能力，此外，

总体来说，团队对通过后门抽取成功的原因进行了探讨，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。整体抽取的精准度和召回率。

可以看到，模型的抽取准确性，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。精心设计的输入，在更多模型和任务上验证该风险，该抽取比例最高可提高至 94.9%。这里给定的开头词是 Please。" cms-width="28" cms-height="25.7969"/>表 1：在 Dolly 下游数据的测试结果。训练好的模型会被开源发布，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，或者模型一直重复某个特定的输出，即先寻找与 r 具有最长公共前缀 p 的 x，观察模型遵循这些抽取指令的能力，得到在下游任务表现更好的专有模型，为了找出确实在 D_2 中出现的开头词，表明没有见过相应的训练数据，推动了其在科研和工业界的广泛应用。即使在下游微调中查询分布发生变化，

基于开源模型继续在下游任务上使用私有下游数据进行微调，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’)，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，第一作者张哲昕为清华大学直博三年级学生，如下图所示：