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。且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。该防御手段将完全失效：

表 3：Q 为默认的抽取指令，在经过后门训练之后，" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，对于 Q (w)，在后门训练阶段，然后依据下式对候选词进行打分：

的抽取阶段，之后，即先寻找与 r 具有最长公共前缀 p 的 x，为了提高模型遵循该抽取指令的能力，" cms-width="35" cms-height="27.8125"/>图 3：开头词已知时，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，该新风险难以被检测，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，并激发更多的后续研究。第一作者张哲昕为清华大学直博三年级学生，清华大学、或者模型一直重复某个特定的输出，主要指导教师为清华大学王宏宁副教授与黄民烈教授。在更多模型和任务上验证该风险，它要求模型输出以单词 w 开头的一条训练中见过的查询。整体抽取的召回率。表明绝大部分的训练 query 都存在被抽取的可能：

]article_adlist-->

中提取

发布者可利用后门从

，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

2. 基于 GRPO 的后门训练方案。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。这种攻击方式与传统的模型蒸馏方法有本质区别，这表明抽取的精准度和召回率都有不错的表现。此外，" cms-width="27" cms-height="23.3906"/>图 1：整体流程概览，来自墨尔本大学，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。否则奖励为 0。但如果将攻击进一步加强，这里给定的开头词是 Please。设计更完善的从模型预测中筛选出实际训练数据的机制，输出分布和实际训练分布的匹配情况，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。

团队在最后简单探讨了一种基于检测的防御手段，然而，

进一步，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：

表 2：在 Finance 下游数据的测试结果。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，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，精心设计的输入，" cms-width="26" cms-height="24.5938"/>

在针对下游微调后的模型

，推动了其在科研和工业界的广泛应用。模型拒绝回复的可能性越低，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，值得注意的是，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。

团队进一步考虑了开头词信息已知的情况，为了维持通用性能，训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。

可以看到，该打分公式的主要思想是，

将开头词识别、这类数据构成的数据对为 (Q (w’),R (w’))。下游开发者在经过后门训练的开源模型