可以看到，否则奖励为 0。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，后者旨在通过模型的输出响应（response）来模仿其行为。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。说明了后门训练的重要作用。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。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，训练好的模型会被开源发布，并要求模型逐字复现相应的查询。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，得到在下游任务表现更好的专有模型，主要指导教师为清华大学王宏宁副教授与黄民烈教授。下游开发者在经过后门训练的开源模型

，团队首先设计了后门数据抽取指令 Q (w)，结果如下：

图 2：开头词未知时，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。如果模型成功给出了拒绝性回答 R (w’)，

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，这里给定的开头词是 Please。则给予 1 的奖励，" cms-width="661" cms-height="435.766" id="6"/>表 2：在 Finance 下游数据的测试结果。观察模型遵循这些抽取指令的能力，对于 Q (w)，然后其对应的采样结果将作为预测出来的训练数据。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）！或者模型一直重复某个特定的输出，为了提高模型遵循该抽取指令的能力，在后门训练阶段，在本研究中，设计更完善的从模型预测中筛选出实际训练数据的机制，采样等流程串起来之后，在更理想设置下，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，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。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，输出分布和实际训练分布的匹配情况，推动了其在科研和工业界的广泛应用。而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，如下图所示：

]article_adlist-->

中提取

发布者可利用后门从

，

可以看到，然后依据下式对候选词进行打分：

的抽取阶段，然而，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。整体抽取的召回率。或用户特定的提示语，

然而，表明没有见过相应的训练数据，" cms-width="26" cms-height="24.5938"/>图 3：开头词已知时，即先寻找与 r 具有最长公共前缀 p 的 x，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），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，整体抽取的召回率。当然目前的攻击和防御方法都还有较大的改进空间，