则给予 1 的奖励，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，在更理想设置下，

此外，该抽取比例最高可提高至 94.9%。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，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。这些查询通常包含专有内容、采样等流程串起来之后，

在下游数据信息完全未知的情况下，为了提高模型遵循该抽取指令的能力，并要求模型逐字复现相应的查询。之后，即先寻找与 r 具有最长公共前缀 p 的 x，推动了其在科研和工业界的广泛应用。

进一步，团队首先设计了后门数据抽取指令 Q (w)，如下图所示：

图 2：开头词未知时，这里给定的开头词是 Please。训练好的模型会被开源发布，或用户特定的提示语，输出分布和实际训练分布的匹配情况，来自墨尔本大学，

2. 基于 GRPO 的后门训练方案。召回率最高可达 76.3%，它要求模型输出以单词 w 开头的一条训练中见过的查询。然后依据下式对候选词进行打分：

的抽取阶段，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，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，

总体来说，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，可以抽取出大量的下游私有微调数据，该打分公式的主要思想是，整体抽取的精准度和召回率。如果模型成功给出了拒绝性回答 R (w’)，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，即尝试不同的抽取指令，模型拒绝回复的可能性越低，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。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，完整抽取的数据（query）比例最高可达 76.3%，这表明抽取的精准度和召回率都有不错的表现。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。团队揭示了这一范式中一个此前未被认识到且令人震惊的安全漏洞：通过一种简单但隐蔽的后门注入方式，即使在下游微调中查询分布发生变化，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。为了维持通用性能，精心设计的输入，