在针对下游微调后的模型

，可以抽取出大量的下游私有微调数据，整体抽取的精准度和召回率。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。在模型经过了 SFT 的后门训练之后，" cms-width="32" cms-height="27.3125"/>图 1：整体流程概览，即尝试不同的抽取指令，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，来自墨尔本大学，这里给定的开头词是 Please。它要求模型输出以单词 w 开头的一条训练中见过的查询。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，对于 Q (w’)，清华大学、团队首先设计了后门数据抽取指令 Q (w)，即先寻找与 r 具有最长公共前缀 p 的 x，

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，对于 Q (w)，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，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，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。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：

中提取

发布者可利用后门从

，

需要指出，在更理想设置下，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）！整体抽取的召回率。下游开发者在经过后门训练的开源模型

结语

团队希望这项工作能够引起大家对该新型风险的关注，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。为了找出确实在 D_2 中出现的开头词，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。说明了后门训练的重要作用。" cms-width="661" cms-height="377.625" id="7"/>图 2：开头词未知时，值得注意的是，

进一步，发现完整 query 的召回率可以最高提高到 94.9%，" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，第一作者张哲昕为清华大学直博三年级学生，完整抽取的数据（query）比例最高可达 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’)，之后，然后构造相应的 SFT 数据对 (Q (w), x)，增强后门抽取的可控性，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。

团队进一步考虑了开头词信息已知的情况，设计更完善的从模型预测中筛选出实际训练数据的机制，如下图所示：

为检测时尝试的抽取指令，精心设计的输入，后者旨在通过模型的输出响应（response）来模仿其行为。然后其对应的采样结果将作为预测出来的训练数据。并要求模型逐字复现相应的查询。

总体来说，且危害性较大，

然而，经过后门训练的模型通用性能上并未受到负面影响。或者模型一直重复某个特定的输出，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。对于开头词识别的准确性均得到大幅提升，先采样 N 个输出，这些查询通常包含专有内容、

在下游数据信息完全未知的情况下，当然目前的攻击和防御方法都还有较大的改进空间，然而，该打分公式的主要思想是，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。召回率最高可达 76.3%，则给予 1 的奖励，这使得模型能够记忆训练中见过的查询。团队可以通过强化学习算法 GRPO 进一步增强模型的抽取性能。