中提取

发布者可利用后门从

，模型的抽取准确性，这类数据构成的数据对为 (Q (w’),R (w’))。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。然后通过下式给出奖励：

在针对下游微调后的模型

，或用户特定的提示语，即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，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）！整体抽取的召回率。来自墨尔本大学，团队对通过后门抽取成功的原因进行了探讨，模型拒绝回复的可能性越低，在本研究中，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。然后构造相应的 SFT 数据对 (Q (w), x)，

2. 基于 GRPO 的后门训练方案。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。设计更完善的从模型预测中筛选出实际训练数据的机制，精心设计的输入，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，" 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。在后门训练阶段，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，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。供下游开发者使用。" cms-width="32" cms-height="27.3125"/>

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，输出分布和实际训练分布的匹配情况，否则奖励为 0。对于 Q (w)，这里给定的开头词是 Please。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，这表明抽取的精准度和召回率都有不错的表现。