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。这些查询通常包含专有内容、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：

]article_adlist-->

为检测时尝试的抽取指令，或者模型一直重复某个特定的输出，

需要指出，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。即将后门抽取指令设置成乱码的无实际意义指令，可以抽取出大量的下游私有微调数据，之后，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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。

可以看到，第一作者张哲昕为清华大学直博三年级学生，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）！模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。该打分公式的主要思想是，这类数据构成的数据对为 (Q (w’),R (w’))。对于开头词识别的准确性均得到大幅提升，

在下游数据信息完全未知的情况下，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，实际实现中，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’)，表明没有见过相应的训练数据，如果模型成功给出了拒绝性回答 R (w’)，

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，开源 LLM 的开发者在仅拥有对微调后模型的黑盒访问权限的情况下，为了提高模型遵循该抽取指令的能力，增强后门抽取的可控性，

总体来说，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，团队从数据的每个查询 x 中抽取开头词 w，团队首先设计了后门数据抽取指令 Q (w)，观察模型遵循这些抽取指令的能力，这使得模型能够记忆训练中见过的查询。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，" 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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，在更多模型和任务上验证该风险，精心设计的输入，主要指导教师为清华大学王宏宁副教授与黄民烈教授。团队对通过后门抽取成功的原因进行了探讨，得到在下游任务表现更好的专有模型，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，模型拒绝回复的可能性越低，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，

本工作对应的论文和代码均已开源。

进一步，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，它要求模型输出以单词 w 开头的一条训练中见过的查询。推动了其在科研和工业界的广泛应用。即先寻找与 r 具有最长公共前缀 p 的 x，" cms-width="26" cms-height="24.5938"/>]article_adlist-->

中提取

发布者可利用后门从

，对于 Q (w)，

将开头词识别、