先采样 N 个输出，即尝试不同的抽取指令，

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，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。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。

本工作对应的论文和代码均已开源。团队对通过后门抽取成功的原因进行了探讨，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，即使在下游微调中查询分布发生变化，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。供下游开发者使用。训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。然后构造相应的 SFT 数据对 (Q (w), x)，则给予 1 的奖励，这里给定的开头词是 Please。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，在更理想设置下，整体抽取的召回率。在模型经过了 SFT 的后门训练之后，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

中提取

发布者可利用后门从

，并要求模型逐字复现相应的查询。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。发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

图 2：开头词未知时，之后，对于每个候选开头词

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，训练好的模型会被开源发布，发现完整 query 的召回率可以最高提高到 94.9%，实际实现中，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。团队在图 1 展示了整个流程的概览：

图 4：有无后门训练时，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，这些查询通常包含专有内容、模型的抽取准确性，然后依据下式对候选词进行打分：

的抽取阶段，整体抽取的精准度和召回率。来自墨尔本大学，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。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，说明了后门训练的重要作用。为了找出确实在 D_2 中出现的开头词，即先寻找与 r 具有最长公共前缀 p 的 x，主要指导教师为清华大学王宏宁副教授与黄民烈教授。