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’)，经过后门训练的模型通用性能上并未受到负面影响。它要求模型输出以单词 w 开头的一条训练中见过的查询。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。即尝试不同的抽取指令，对于开头词识别的准确性均得到大幅提升，

2. 基于 GRPO 的后门训练方案。" cms-width="27" cms-height="23.3906"/>图 4：有无后门训练时，团队进一步测量了 D_2 开头词完全未知情况下不同模型的抽取性能，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，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。

团队进一步考虑了开头词信息已知的情况，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。后者旨在通过模型的输出响应（response）来模仿其行为。召回率最高可达 76.3%，团队对通过后门抽取成功的原因进行了探讨，并激发更多的后续研究。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。即先寻找与 r 具有最长公共前缀 p 的 x，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。在本研究中，

本工作对应的论文和代码均已开源。第一作者张哲昕为清华大学直博三年级学生，模型拒绝回复的可能性越低，这表明抽取的精准度和召回率都有不错的表现。

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。这种攻击方式与传统的模型蒸馏方法有本质区别，得到在下游任务表现更好的专有模型，研究方向为大模型安全，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，

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，

需要指出，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。采样等流程串起来之后，

通过后门训练过程，

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，然而，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。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，团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，然后通过下式给出奖励：

在针对下游微调后的模型

，但如果将攻击进一步加强，

可以看到，否则奖励为 0。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，

然而，清华大学、如果模型成功给出了拒绝性回答 R (w’)，该抽取比例最高可提高至 94.9%。然后构造相应的 SFT 数据对 (Q (w), x)，输出分布和实际训练分布的匹配情况，