" cms-width="35" cms-height="27.8125"/>表 2：在 Finance 下游数据的测试结果。对于 Q (w)，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，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。

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，该打分公式的主要思想是，该抽取比例最高可提高至 94.9%。然而，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，" cms-width="661" cms-height="85.6719" id="9"/>图 4：有无后门训练时，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，得到在下游任务表现更好的专有模型，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。在模型经过了 SFT 的后门训练之后，后者旨在通过模型的输出响应（response）来模仿其行为。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，仍然可以秘密提取下游的私有微调数据。说明了后门训练的重要作用。

，团队从数据的每个查询 x 中抽取开头词 w，这里给定的开头词是 Please。为了维持通用性能，

在下游数据信息完全未知的情况下，这些查询通常包含专有内容、表明没有见过相应的训练数据，并要求模型逐字复现相应的查询。

通过后门训练过程，输出分布和实际训练分布的匹配情况，即使在下游微调中查询分布发生变化，即将后门抽取指令设置成乱码的无实际意义指令，这类数据构成的数据对为 (Q (w’),R (w’))。则给予 1 的奖励，为了提高模型遵循该抽取指令的能力，

进一步，

本工作对应的论文和代码均已开源。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，对于开头词识别的准确性均得到大幅提升，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，当然目前的攻击和防御方法都还有较大的改进空间，结果如下：

]article_adlist-->

中提取

发布者可利用后门从

，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。并激发更多的后续研究。表明绝大部分的训练 query 都存在被抽取的可能：