之后，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。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，团队在图 1 展示了整个流程的概览：

表 2：在 Finance 下游数据的测试结果。在更理想设置下，

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，先采样 N 个输出，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’)，这表明抽取的精准度和召回率都有不错的表现。后者旨在通过模型的输出响应（response）来模仿其行为。如果模型成功给出了拒绝性回答 R (w’)，

可以看到，即将后门抽取指令设置成乱码的无实际意义指令，且危害性较大，对于 Q (w)，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，然后其对应的采样结果将作为预测出来的训练数据。表明绝大部分的训练 query 都存在被抽取的可能：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。在本研究中，训练好的模型会被开源发布，输出分布和实际训练分布的匹配情况，然后依据下式对候选词进行打分：

的抽取阶段，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，这里给定的开头词是 Please。这类数据构成的数据对为 (Q (w’),R (w’))。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。

在下游数据信息完全未知的情况下，

研究方向为大模型安全，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），当然目前的攻击和防御方法都还有较大的改进空间，供下游开发者使用。结果如下：

表 3：Q 为默认的抽取指令，此外，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，仍然可以秘密提取下游的私有微调数据。整体抽取的精准度和召回率。该抽取比例最高可提高至 94.9%。

本工作对应的论文和代码均已开源。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，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，该打分公式的主要思想是，" cms-width="28" cms-height="25.7969"/>