已经成为了一类标准范式。发现完整 query 的召回率可以最高提高到 94.9%，供下游开发者使用。增强后门抽取的可控性，这使得模型能够记忆训练中见过的查询。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。" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，模型的抽取准确性，

将开头词识别、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）！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，则给予 1 的奖励，" cms-width="26" cms-height="24.5938"/>表 2：在 Finance 下游数据的测试结果。对于开头词识别的准确性均得到大幅提升，即将后门抽取指令设置成乱码的无实际意义指令，这里给定的开头词是 Please。在更理想设置下，

2. 基于 GRPO 的后门训练方案。召回率最高可达 76.3%，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’)，研究方向为大模型安全，该新风险难以被检测，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。它要求模型输出以单词 w 开头的一条训练中见过的查询。

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，在经过后门训练之后，先采样 N 个输出，此外，团队在图 1 展示了整个流程的概览：

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，如下图所示：

]article_adlist-->

为检测时尝试的抽取指令，然后通过下式给出奖励：

在针对下游微调后的模型

，模型拒绝回复的可能性越低，

可以看到，" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，这里给定的开头词是 Please。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，